Tecniche per la multicollinearità - PCA
Nell’ultimo esercizio hai usato il feature engineering per combinare le variabili indipendenti s1 e s2 in s1_s2, dato che mostravano la correlazione più alta nel dataset diabetes.
In questo esercizio eseguirai la PCA su diabetes per rimuovere la multicollinearità prima di applicare la Regressione Lineare. Poi confronterai le metriche ottenute con quelle dell’esercizio precedente. Infine, visualizzerai l’aspetto della matrice di correlazione e della heatmap del dataset, dato che la PCA rimuove completamente la multicollinearità.
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Import
from sklearn.decomposition import ____
# Instantiate
pca = ____()
# Fit on train
pca.____(____)
# Transform train and test
X_trainPCA = pca.____(____)
X_testPCA = pca.____(____)