Rozkład według wartości osobliwych
W poprzednim ćwiczeniu zobaczyłeś, jak przydatna może być analiza PCA przy redukcji wymiarów zbioru danych – szczególnie gdy podczas rozmowy kwalifikacyjnej z uczenia maszynowego pojawia się pytanie o wysoką wymiarowość.
W tym ćwiczeniu przećwiczysz SVD na zbiorze danych diabetes. Ten transformer, w przeciwieństwie do PCA, sprawnie radzi sobie z rzadkimi macierzami i przeprowadza liniową redukcję wymiarów metodą obciętego rozkładu według wartości osobliwych.
Przypomnij sobie, że rozkład według wartości osobliwych pobiera oryginalną macierz danych, rozkłada ją na trzy macierze i wykorzystuje je do obliczenia oraz zwrócenia wartości osobliwych.
To samo miejsce w potoku przetwarzania – inna technika:
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']