Decomposição em valores singulares
No último exercício, você viu como o PCA pode ser útil para reduzir as dimensões de um conjunto de dados quando aparece uma pergunta sobre alta dimensionalidade em uma entrevista de Machine Learning.
Neste exercício, você vai praticar SVD no diabetes. Esse transformador em particular lida de forma eficiente com matrizes esparsas, ao contrário do PCA, e realiza reduções lineares de dimensionalidade por meio da decomposição em valores singulares truncada.
Lembre-se de que a decomposição em valores singulares pega a matriz de dados original, a decompõe em três matrizes e as usa para calcular e retornar os valores singulares.
Mesmo lugar no pipeline, com uma técnica diferente:
Este exercício faz parte do curso
Praticando perguntas de entrevista de Machine Learning em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Import module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']