Vizualizace separace tříd pomocí PCA I
Jednou z běžných otázek na pohovoru pro pozici v oblasti strojového učení je vizualizace dimenzionality po aplikaci PCA. V tomto cvičení to uděláš sám/sama – vykreslíš první 2 hlavní komponenty datasetu loan_data, abys vizualizoval/a separaci tříd podle toho, zda byl úvěr plně splacen nebo odepsán.
Dataset loan_data byl škálován a zakódován metodou one-hot encoding, což znamená, že kategorické proměnné byly převedeny na binární indikátory – před aplikací PCA totiž musí být všechny příznaky numerické a na stejné škále.
Model PCA se 2 hlavními komponentami a nastavení grafu s popisky os x, y a názvem jsou již připraveny za tebe. V cvičeních budeš pracovat s DataFrame loan_data_PCA. Cílová proměnná Loan Status může nabývat hodnot 0 a 1. Na osu x vyneseš PC1 a na osu y PC2.
Již naimportováno za tebe: matplotlib.pyplot jako plt, seaborn jako sns a PCA z sklearn.decomposition.
Toto cvičení je součástí kurzu
Procvičování otázek k pohovorům z oblasti Machine Learning v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
targets = [____, ____]
colors = ['r', 'b']
# For loop to create plot
for target, color in zip(____, ____):
indicesToKeep = ____['____'] == ____