Singuliere-waardedecompositie
In de vorige oefening zag je hoe nuttig PCA kan zijn om de dimensies van een gegevensset te verkleinen wanneer je in een Machine Learning-interview een vraag krijgt over hoge dimensionaliteit.
In deze oefening ga je SVD toepassen op de diabetes. Deze transformer kan, in tegenstelling tot PCA, efficiënt met sparse matrices werken en voert lineaire dimensionaliteitsreductie uit via afgeknotte singuliere-waardedecompositie.
Onthoud dat singuliere-waardedecompositie de oorspronkelijke datamatrix neemt, die ontbindt in drie matrices en deze gebruikt om singuliere waarden te berekenen en terug te geven.
Dezelfde plek in de pijplijn met een andere techniek:
Deze oefening maakt deel uit van de cursus
Machine Learning-sollicitatievragen oefenen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Import module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']