Prozkoumej korelace
Než natrénujeme náš první model strojového učení, podívejme se na korelace mezi příznaky a cílovými proměnnými. Ideálně chceme, aby byly korelace mezi příznaky a cíli co největší (blízko 1 nebo -1). Jejich zkoumání nám pomůže příznaky doladit tak, aby korelace byla co nejvyšší – například úpravou argumentu timeperiod ve funkcích talib. Zároveň tak snadno odhalíme příznaky, které s cílem nesouvisí, a můžeme je vyřadit.
Korelační matici nejsnáze zobrazíme pomocí funkce heatmap() z knihovny seaborn. Jako první argument přijímá korelační matici a nabízí řadu dalších možností. Všimni si parametru annot – ten ti umožní zapnout popisky přímo v grafu.
Toto cvičení je součástí kurzu
Machine Learning for Finance in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Plot heatmap of correlation matrix
sns.heatmap(____, annot= ____, annot_kws = {"size": 14})
plt.yticks(rotation=0, size = 14); plt.xticks(rotation=90, size = 14) # fix ticklabel directions and size
plt.tight_layout() # fits plot area to the plot, "tightly"
plt.____ # show the plot