Separazione visiva delle classi con PCA I
Una domanda comune in un colloquio di Machine Learning riguarda la visualizzazione della dimensionalità dopo una PCA. In questo esercizio farai proprio questo: traccerai le prime 2 componenti principali di loan_data per visualizzare la separazione tra classi rispetto allo stato del prestito, cioè se è stato interamente rimborsato o stornato.
Il dataset loan_data è già stato scalato e sottoposto a one-hot encoding, cioè le variabili categoriche sono state trasformate in indicatori binari, perché prima di applicare la PCA le feature devono essere sulla stessa scala e numeriche.
Un modello PCA con 2 PC e l’impostazione del grafico con etichette per gli assi x e y e titolo sono già pronti per te. Negli esercizi userai un DataFrame chiamato loan_data_PCA. I possibili valori per la variabile target Loan Status sono 0 e 1. Traccerai PC1 sull’asse x e PC2 sull’asse y.
Sono già stati importati per te matplotlib.pyplot come plt, seaborn come sns, PCA da sklearn.decomposition.
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.
targets = [____, ____]
colors = ['r', 'b']
# For loop to create plot
for target, color in zip(____, ____):
indicesToKeep = ____['____'] == ____