Verifique as correlações
Antes de ajustarmos nosso primeiro modelo de machine learning, vamos olhar as correlações entre as variáveis de entrada (features) e os alvos (targets). Idealmente, queremos correlações altas (próximas de 1 ou -1) entre features e targets. Analisar correlações pode ajudar você a ajustar as features para maximizar a correlação (por exemplo, alterando o argumento timeperiod nas funções do talib). Isso também pode ajudar a remover features que não estão correlacionadas ao target.
Para plotar facilmente uma matriz de correlação, podemos usar a função heatmap() do seaborn. Ela recebe uma matriz de correlação como primeiro argumento e tem muitas outras opções. Dê uma olhada na opção annot — ela permite ativar as anotações.
Este exercicio faz parte do curso
Machine Learning para Finanças em Python
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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