CommencerCommencez gratuitement

Une carte du marché boursier en t-SNE

t-SNE permet d'obtenir d'excellentes visualisations lorsque les échantillons individuels peuvent être étiquetés. Dans cet exercice, vous appliquerez t-SNE aux données relatives au cours de l'action de la société. Un diagramme de dispersion des caractéristiques t-SNE résultantes, étiquetées par les noms des entreprises, vous donne une carte du marché boursier ! Les mouvements du cours des actions de chaque entreprise sont disponibles sous la forme du tableau normalized_movements (ils ont déjà été normalisés pour vous). La liste companies donne le nom de chaque entreprise. PyPlot (plt) a été importé pour vous.

Cet exercice fait partie du cours

Apprentissage non supervisé en Python

Afficher le cours

Instructions d’exercice

  • Importez TSNE à partir de sklearn.manifold.
  • Créez une instance TSNE appelée model avec learning_rate=50.
  • Appliquez la méthode .fit_transform() de model à normalized_movements. Affectez le résultat à tsne_features.
  • Sélectionnez la colonne 0 et la colonne 1 de tsne_features.
  • Créez un diagramme de dispersion des caractéristiques t-SNE xs et ys. Spécifiez le mot-clé supplémentaire alpha=0.5.
  • Le code pour étiqueter chaque point avec le nom de l'entreprise a été écrit pour vous en utilisant plt.annotate(), il suffit donc de cliquer sur soumettre pour voir la visualisation !

Exercice interactif pratique

Essayez-vous à cet exercice en complétant cet exemple de code.

# 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 du code