Techniques contre la multicolinéarité - ACP
Dans le dernier exercice, vous avez utilisé l'ingénierie des caractéristiques pour combiner les variables indépendantes s1 et s2 en s1_s2, puisqu'elles affichaient la plus forte corrélation dans l'ensemble de données diabetes.
Dans cet exercice, vous allez appliquer une ACP sur diabetes afin d'éliminer la multicolinéarité avant d'y ajuster une régression linéaire. Ensuite, vous comparerez les mesures de sortie avec celles du dernier exercice. Enfin, vous visualiserez l'apparence de la matrice de corrélation et de la carte thermique de l'ensemble, puisque l'ACP supprime complètement la multicolinéarité.
Cette activité fait partie du cours
S'exercer aux questions d'entrevue en Machine Learning avec Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import
from sklearn.decomposition import ____
# Instantiate
pca = ____()
# Fit on train
pca.____(____)
# Transform train and test
X_trainPCA = pca.____(____)
X_testPCA = pca.____(____)