Визуализация разделения классов с помощью PCA I
На собеседовании по машинному обучению вас могут попросить визуализировать данные после применения PCA. В этом упражнении вы сделаете именно это: построите график первых двух главных компонент набора данных loan_data, чтобы наглядно показать разделение классов в зависимости от статуса кредита — полностью выплачен или списан.
Набор данных loan_data был масштабирован и закодирован с помощью унитарного кодирования (one-hot encoding): категориальные переменные преобразованы в бинарные признаки, поскольку перед применением PCA все признаки должны быть числовыми и находиться в одном масштабе.
Модель PCA с 2 главными компонентами, а также настройка графика с подписями осей и заголовком уже выполнены за вас. В упражнениях вы будете использовать DataFrame loan_data_PCA. Целевая переменная Loan Status принимает значения 0 и 1. PC1 отображается по оси X, PC2 — по оси Y.
Библиотеки matplotlib.pyplot как plt, seaborn как sns, а также PCA из sklearn.decomposition уже импортированы.
Это упражнение является частью курса
Практика вопросов интервью по машинному обучению на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
targets = [____, ____]
colors = ['r', 'b']
# For loop to create plot
for target, color in zip(____, ____):
indicesToKeep = ____['____'] == ____