Vérifier les corrélations
Avant d'ajuster notre premier modèle de Machine Learning, examinons les corrélations entre les caractéristiques et les cibles. Idéalement, nous voulons des corrélations élevées (près de 1 ou de -1) entre les caractéristiques et les cibles. L'examen des corrélations peut nous aider à peaufiner les caractéristiques pour maximiser la corrélation (par exemple, en modifiant l'argument timeperiod dans les fonctions de talib). Cela peut aussi nous aider à retirer les caractéristiques qui ne sont pas corrélées à la cible.
Pour tracer facilement une matrice de corrélation, nous pouvons utiliser la fonction heatmap() de seaborn. Elle prend une matrice de corrélation comme premier argument et offre de nombreuses autres options. Regardez l'option annot — elle permet d'activer les annotations.
Cette activité fait partie du cours
Machine Learning pour la finance en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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