Überprüfe die Korrelationen
Bevor wir unser erstes Machine-Learning-Modell fitten, schauen wir uns die Korrelationen zwischen Features und Zielgrößen an. Idealerweise wollen wir große (nahe 1 oder -1) Korrelationen zwischen Features und Ziel. Das Untersuchen der Korrelationen kann uns helfen, Features so anzupassen, dass die Korrelation maximiert wird (zum Beispiel durch Ändern des timeperiod-Arguments in den talib-Funktionen). Es kann uns auch helfen, Features zu entfernen, die nicht mit dem Ziel korreliert sind.
Um eine Korrelationsmatrix einfach zu visualisieren, können wir die Funktion heatmap() von seaborn verwenden. Sie nimmt eine Korrelationsmatrix als erstes Argument und bietet viele weitere Optionen. Schau dir die Option annot an – damit aktivieren wir Anmerkungen in der Heatmap.
Diese Übung ist Teil des Kurses
<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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