Verifica le correlazioni
Prima di adattare il nostro primo modello di Machine Learning, diamo un'occhiata alle correlazioni tra feature e target. Idealmente vogliamo correlazioni elevate (vicine a 1 o -1) tra feature e target. Esaminare le correlazioni può aiutarci a perfezionare le feature per massimizzarle (per esempio, modificando l'argomento timeperiod nelle funzioni di talib). Può anche aiutarci a rimuovere le feature che non sono correlate al target.
Per tracciare facilmente una matrice di correlazione, possiamo usare la funzione heatmap() di seaborn. Accetta una matrice di correlazione come primo argomento e offre molte altre opzioni. Dai un'occhiata all'opzione annot — ci permette di attivare le annotazioni.
Questo esercizio fa parte del corso
Machine Learning per la finanza in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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