Descomposición en valores singulares
En el último ejercicio, viste lo útil que puede ser PCA para reducir las dimensiones de un conjunto de datos cuando te hacen una pregunta sobre alta dimensionalidad en una entrevista de Machine Learning.
En este ejercicio, vas a practicar SVD con diabetes. Este transformador en particular puede trabajar de forma eficiente con matrices dispersas, a diferencia de PCA, y realiza reducciones lineales de dimensionalidad mediante una descomposición en valores singulares truncada.
Recuerda que la descomposición en valores singulares toma la matriz de datos original, la descompone en tres matrices y las utiliza para calcular y devolver los valores singulares.
Mismo lugar en el pipeline con una técnica diferente:
Este ejercicio forma parte del curso
Practicing Machine Learning Interview Questions in Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Import module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']