Decomposizione ai valori singolari
Nell'ultimo esercizio, hai visto quanto la PCA possa essere utile per ridurre le dimensioni di un insieme di dati quando, in un colloquio di Machine Learning, ti viene posta una domanda sull'alta dimensionalità.
In questo esercizio, metterai in pratica la SVD su diabetes. Questo specifico trasformatore può lavorare in modo efficiente con matrici sparse, a differenza della PCA, ed esegue riduzioni dimensionali lineari tramite una decomposizione ai valori singolari troncata.
Ricorda che la decomposizione ai valori singolari prende la matrice dei dati originale, la scompone in tre matrici e le usa per calcolare e restituire i valori singolari.
Stesso punto della pipeline, ma con una tecnica diversa:
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 module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']