Wizualizacja głównych składowych za pomocą wykresu osypiska
Na rozmowie kwalifikacyjnej z uczenia maszynowego możesz zostać zapytany o optymalną liczbę cech do zachowania. W tym ćwiczeniu utworzysz wykres osypiska (scree plot) oraz wykres skumulowanego stosunku wyjaśnionej wariancji dla głównych składowych, korzystając z PCA na zbiorze loan_data.
Pomogą one określić optymalną liczbę głównych składowych (PC) do trenowania dokładniejszego modelu uczenia maszynowego.
Ponieważ PCA jest metodą uczenia nienadzorowanego, analiza głównych składowych jest przeprowadzana na macierzy X – po usunięciu zmiennej docelowej Loan Status ze zbioru danych. Brak ustawienia n_components powoduje, że model zwraca wszystkie główne składowe.
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Remove target variable
X = loan_data.____('____', axis=1)
# Instantiate
pca = ____(n_components=____)
# Fit and transform
principalComponents = pca.____(____)