Visualiser les CP avec un diagramme d'éboulis
Lors d'une entrevue en Machine Learning, on peut vous demander quel est le nombre optimal de caractéristiques à conserver. Dans cet exercice, vous allez créer un diagramme d'éboulis et un graphique de la proportion cumulée de variance expliquée des composantes principales en appliquant une ACP à loan_data.
Cela vous aidera à déterminer le nombre optimal de composantes principales (CP) pour entraîner un modèle de ML plus précis par la suite.
Comme l'ACP est une méthode non supervisée, l'analyse en composantes principales est effectuée sur la matrice X après avoir retiré la variable cible Loan Status de l'ensemble de données. Ne pas définir n_components renvoie toutes les composantes principales du modèle entraîné.
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.
# Remove target variable
X = loan_data.____('____', axis=1)
# Instantiate
pca = ____(n_components=____)
# Fit and transform
principalComponents = pca.____(____)