Wizualizacja separacji klas z PCA I
Częstym pytaniem na rozmowie kwalifikacyjnej z uczenia maszynowego jest wizualizacja wymiarowości po zastosowaniu PCA. W tym ćwiczeniu zrobisz dokładnie to – narysujesz wykres pierwszych 2 składowych głównych zbioru loan_data, aby zobrazować separację klas obu składowych pod kątem statusu kredytu: w pełni spłaconego lub odpisanego.
Zbiór danych loan_data został przeskalowany i zakodowany metodą one-hot, co oznacza, że zmienne kategoryczne zamieniono na wskaźniki binarne – cechy powinny być na tej samej skali i mieć postać numeryczną przed zastosowaniem PCA.
Model PCA z 2 składowymi głównymi oraz wykres z etykietami osi x i y oraz tytułem zostały już przygotowane. W ćwiczeniach będziesz korzystać z obiektu DataFrame o nazwie loan_data_PCA. Możliwe wartości zmiennej docelowej Loan Status to 0 i 1. Na osi x umieścisz PC1, a na osi y – PC2.
Następujące elementy zostały już zaimportowane: matplotlib.pyplot jako plt, seaborn jako sns oraz PCA z sklearn.decomposition.
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
targets = [____, ____]
colors = ['r', 'b']
# For loop to create plot
for target, color in zip(____, ____):
indicesToKeep = ____['____'] == ____