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.
To ćwiczenie jest częścią kursu
Uczenie maszynowe w finansach z Pythonem
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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