Korrelationen der neuen Features untersuchen

Jetzt, da wir unsere Volumen- und Datetime-Features haben, wollen wir die Korrelationen zwischen unseren neuen Features (gespeichert in der Liste new_features) und dem Target (5d_close_future_pct) prüfen, um zu sehen, wie stark sie zusammenhängen. Denk daran: pandas hat die eingebaute .corr()-Methode für DataFrames, und seaborn bietet mit heatmap() eine praktische Funktion, um Korrelationen zu visualisieren.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Erweitere unsere Variable new_features, sodass sie die Spaltennamen der Wochentage wie weekday_1 enthält, indem du die Wochentagszahl mit dem String 'weekday_' verkettest.
Verwende die heatmap von Seaborn, um die Korrelationen von new_features und dem Target 5d_close_future_pct zu plotten.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Add the weekday labels to the new_features list
new_features.extend([____ + ____ for i in range(1, 5)])

# Plot the correlations between the new features and the targets
sns.____(lng_df[____ + ['5d_close_future_pct']].corr(), annot=True)
plt.yticks(rotation=0)  # ensure y-axis ticklabels are horizontal
plt.xticks(rotation=90)  # ensure x-axis ticklabels are vertical
plt.tight_layout()
plt.show()

Code bearbeiten und ausführen