Vérifier les corrélations
Avant d'entraîner notre premier modèle de Machine Learning, examinons les corrélations entre les variables explicatives et la cible. Idéalement, nous souhaitons des corrélations fortes (proches de 1 ou de -1) entre les variables et la cible. L'analyse des corrélations peut nous aider à ajuster les variables pour maximiser la corrélation (par exemple, en modifiant l'argument timeperiod dans les fonctions talib). Elle peut aussi nous aider à supprimer les variables qui ne sont pas corrélées à la cible.
Pour tracer facilement une matrice de corrélation, nous pouvons utiliser la fonction heatmap() de seaborn. Elle prend une matrice de corrélation comme premier argument et propose de nombreuses autres options. Regardez l'option annot — elle permet d'activer les annotations.
Cet exercice fait partie du cours
<cours>Machine Learning pour la finance en Python</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Plot heatmap of correlation matrix
sns.heatmap(____, annot= ____, annot_kws = {"size": 14})
plt.yticks(rotation=0, size = 14); plt.xticks(rotation=90, size = 14) # fix ticklabel directions and size
plt.tight_layout() # fits plot area to the plot, "tightly"
plt.____ # show the plot