Controleer de correlaties
Voordat we ons eerste Machine Learning-model fitten, kijken we naar de correlaties tussen features en targets. Idealiter willen we grote (dicht bij 1 of -1) correlaties tussen features en targets. Het bekijken van correlaties kan helpen om features te finetunen om de correlatie te maximaliseren (bijvoorbeeld door het timeperiod-argument in de talib-functies aan te passen). Het kan ons ook helpen features te verwijderen die niet correleren met het target.
Om eenvoudig een correlatiematrix te plotten, kunnen we de heatmap()-functie van seaborn gebruiken. Deze neemt een correlatiematrix als eerste argument en heeft veel andere opties. Bekijk vooral de optie annot — daarmee zet je annotaties aan.
Deze oefening maakt deel uit van de cursus
Machine Learning voor finance in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Plot heatmap of correlation matrix
sns.heatmap(____, annot= ____, annot_kws = {"size": 14})
plt.yticks(rotation=0, size = 14); plt.xticks(rotation=90, size = 14) # fix ticklabel directions and size
plt.tight_layout() # fits plot area to the plot, "tightly"
plt.____ # show the plot