Проверка корреляций
Прежде чем обучить первую модель машинного обучения, давайте рассмотрим корреляции между признаками и целевыми переменными. В идеале нам нужны высокие корреляции (близкие к 1 или −1) между признаками и целевой переменной. Анализ корреляций помогает настраивать признаки для их максимизации (например, изменяя аргумент timeperiod в функциях talib), а также позволяет исключить признаки, не коррелирующие с целевой переменной.
Для удобного построения матрицы корреляций воспользуйтесь функцией heatmap() из библиотеки seaborn. Первым аргументом она принимает матрицу корреляций и поддерживает множество дополнительных параметров. Обратите внимание на параметр annot — он позволяет включить отображение числовых значений на тепловой карте.
Это упражнение является частью курса
Машинное обучение для финансов на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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