Visualiser la séparation des classes avec la PCA I
Une question fréquente en entrevue Machine Learning consiste à visualiser la réduction de dimension après une PCA. Dans cet exercice, vous ferez exactement cela en traçant les 2 premières composantes principales de loan_data afin de visualiser la séparation des classes entre ces deux composantes selon que l'état du prêt a été entièrement remboursé ou radié.
Le jeu de données loan_data a été normalisé et transformé en indicateurs binaires (one-hot encoding), ce qui signifie que les variables catégorielles ont été converties en indicateurs binaires, car les caractéristiques doivent être sur la même échelle et numériques avant d'appliquer la PCA.
Un modèle de PCA avec 2 composantes principales et la configuration d'un graphique avec étiquettes des axes x et y ainsi qu'un titre ont déjà été préparés pour vous. Vous utiliserez un DataFrame nommé loan_data_PCA dans les exercices. Les valeurs possibles de la variable cible Loan Status sont 0 et 1. Vous tracerez PC1 sur l'axe des x et PC2 sur l'axe des y.
Ont déjà été importés pour vous : matplotlib.pyplot sous le nom plt, seaborn sous le nom sns, et PCA de sklearn.decomposition.
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.
targets = [____, ____]
colors = ['r', 'b']
# For loop to create plot
for target, color in zip(____, ____):
indicesToKeep = ____['____'] == ____