1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe w finansach z Pythonem
Connected

ćwiczenie

Sprawdź korelacje

Zanim dopasujemy pierwszy model uczenia maszynowego, przyjrzyjmy się korelacjom między cechami a celami. Najlepiej, gdy korelacje między cechami a celami są duże (bliskie 1 lub -1). Analiza korelacji pozwala nam modyfikować cechy, aby zmaksymalizować korelację (na przykład zmieniając argument timeperiod w funkcjach talib). Pomaga też usunąć cechy, które nie są skorelowane z celem.

Aby łatwo wykreślić macierz korelacji, możemy użyć funkcji heatmap() z biblioteki seaborn. Przyjmuje ona macierz korelacji jako pierwszy argument i oferuje wiele innych opcji. Sprawdź opcję annot – pozwala ona włączyć adnotacje na wykresie.

Instrukcje 1/2

undefined XP
    1
    2
  • Wykreśl mapę ciepła macierzy korelacji (corr) obliczonej w poprzednim ćwiczeniu (biblioteka seaborn jest już zaimportowana jako sns).
  • Włącz adnotacje, ustawiając opcję annot=True w sns.heatmap(). Rozmiar czcionki jest już ustawiony za pomocą annot_kws = {"size": 14}.
  • Wyświetl wykres za pomocą plt.show().