Comprueba las correlaciones
Antes de ajustar nuestro primer modelo de Machine Learning, veamos las correlaciones entre las características y los objetivos. Idealmente, queremos correlaciones grandes (cercanas a 1 o -1) entre características y objetivos. Examinar las correlaciones puede ayudarnos a ajustar las características para maximizar la correlación (por ejemplo, cambiando el argumento timeperiod en las funciones de talib). También puede ayudarnos a eliminar características que no estén correlacionadas con el objetivo.
Para trazar fácilmente una matriz de correlación, podemos usar la función heatmap() de seaborn. Esta recibe una matriz de correlación como primer argumento y tiene muchas otras opciones. Fíjate en la opción annot: nos permitirá activar las anotaciones.
Este ejercicio forma parte del curso
Machine Learning para finanzas con Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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