CommencezCommencez gratuitement

Une carte t-SNE du marché boursier

t-SNE donne d'excellentes visualisations lorsque chaque observation peut être associée à une étiquette. Dans cet exercice, vous allez appliquer t-SNE aux données de prix des actions des entreprises. Un nuage de points des caractéristiques t-SNE obtenues, annoté avec les noms des entreprises, vous fournit une carte du marché boursier ! Les mouvements du prix des actions pour chaque entreprise sont fournis dans le tableau normalized_movements (ils ont déjà été normalisés pour vous). La liste companies contient le nom de chaque entreprise. PyPlot (plt) a été importé pour vous.

Cette activité fait partie du cours

Unsupervised Learning in Python

Voir le cours

Instructions de l’exercice

  • Importez TSNE depuis sklearn.manifold.
  • Créez une instance TSNE appelée model avec learning_rate=50.
  • Appliquez la méthode .fit_transform() de model à normalized_movements. Assignez le résultat à tsne_features.
  • Sélectionnez la colonne 0 et la colonne 1 de tsne_features.
  • Créez un nuage de points des caractéristiques t-SNE xs et ys. Indiquez aussi l'argument nommé supplémentaire alpha=0.5.
  • Le code pour annoter chaque point avec le nom de son entreprise a déjà été écrit pour vous avec plt.annotate(). Il ne vous reste qu'à cliquer sur Soumettre la réponse pour voir la visualisation !

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import TSNE
____

# Create a TSNE instance: model
model = ____

# Apply fit_transform to normalized_movements: tsne_features
tsne_features = ____

# Select the 0th feature: xs
xs = ____

# Select the 1th feature: ys
ys = tsne_features[:,1]

# Scatter plot
____

# Annotate the points
for x, y, company in zip(xs, ys, companies):
    plt.annotate(company, (x, y), fontsize=5, alpha=0.75)
plt.show()
Modifier et exécuter le code