Analyse en composantes principales
Dans les 2 derniers chapitres, vous avez vu différentes façons de réduire la dimensionnalité de votre jeu de données, notamment par la régularisation et la sélection de caractéristiques. Il est important de pouvoir expliquer les différents aspects de la réduction de dimensionnalité lors d'une entrevue en Machine Learning. Les grands jeux de données sont longs à traiter et le bruit peut biaiser vos résultats.
Une façon de réduire la dimensionnalité est l'analyse en composantes principales (ACP). C'est une méthode efficace pour réduire la taille des données en créant de nouvelles caractéristiques qui conservent l'information la plus utile d'un jeu de données tout en éliminant la multicolinéarité. Dans cet exercice, vous utiliserez le module sklearn.decomposition pour effectuer une ACP sur les caractéristiques du jeu de données diabetes tout en isolant la variable cible progression.
Voici où vous en êtes dans le pipeline :
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 module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']