Décomposition en valeurs singulières
Dans le précédent exercice, vous avez vu à quel point l’ACP peut être utile pour réduire la dimension d’un jeu de données lorsqu’on vous pose une question sur la forte dimensionalité lors d’un entretien Machine Learning.
Dans cet exercice, vous allez pratiquer la SVD sur diabetes. Ce transformeur fonctionne efficacement avec des matrices creuses, contrairement à l’ACP, et réalise une réduction linéaire de dimension via une décomposition en valeurs singulières tronquée.
Rappelez-vous que la décomposition en valeurs singulières prend la matrice de données d’origine, la décompose en trois matrices, puis les utilise pour calculer et renvoyer les valeurs singulières.
Même étape dans le pipeline, avec une technique différente :
Cet exercice fait partie du cours
S’entraîner aux questions d’entretien en Machine Learning avec Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Import module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']