Kontrollera korrelationerna
Innan vi tränar vår första maskininlärningsmodell ska vi titta på korrelationerna mellan särdragen och målvariablerna. Helst vill vi se stora korrelationer (nära 1 eller -1) mellan särdragen och målvariablerna. Genom att undersöka korrelationerna kan vi justera särdragen för att maximera korrelationen – till exempel genom att ändra argumentet timeperiod i talib-funktionerna. Det hjälper oss också att identifiera och ta bort särdrag som inte korrelerar med målvariabeln.
För att enkelt visualisera en korrelationsmatris kan vi använda funktionen heatmap() i seaborn. Den tar en korrelationsmatris som första argument och har många andra alternativ. Ta en titt på alternativet annot – det låter oss aktivera annoteringar i diagrammet.
Den här övningen är en del av kursen
Maskininlärning för finans i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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