特異値分解（SVD）
前の演習では、Machine Learning の面接で高次元データに関する質問が出たときに、PCA が次元削減にどれだけ有用かを確認しました。
この演習では、diabetes データに対して SVD を練習します。SVD は PCA と異なり、疎行列に対して効率的に動作し、切断特異値分解（Truncated SVD）によって線形の次元削減を行います。
特異値分解は、元のデータ行列を3つの行列に分解し、それらを用いて特異値を計算・返すことを思い出してください。
同じパイプライン上の位置で、手法だけを変えます：
この演習はコースの一部です
Pythonで学ぶMachine Learning面接対策
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Import module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']