Visualizzare le PC con uno scree plot
In un colloquio di Machine Learning, potrebbero chiederti qual è il numero ottimale di feature da mantenere. In questo esercizio creerai uno scree plot e un grafico della varianza spiegata cumulativa delle componenti principali usando la PCA su loan_data.
Questo ti aiuterà a scegliere il numero ottimale di PC per addestrare un modello di ML più accurato in seguito.
Dato che la PCA è un metodo non supervisionato, l’analisi delle componenti principali viene eseguita sulla matrice X, dopo aver rimosso la variabile target Loan Status dall’insieme di dati. Se non imposti n_components, otterrai tutte le componenti principali dal modello addestrato.
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.
# Remove target variable
X = loan_data.____('____', axis=1)
# Instantiate
pca = ____(n_components=____)
# Fit and transform
principalComponents = pca.____(____)