Tekniker för multikollinearitet – PCA
I den förra övningen använde du feature engineering för att kombinera de oberoende variablerna s1 och s2 till s1_s2, eftersom de visade den högsta korrelationen i datamängden diabetes.
I den här övningen utför du PCA på diabetes för att ta bort multikollinearitet innan du tillämpar linjär regression. Sedan jämför du utdatamåtten med dem från förra övningen. Slutligen visualiserar du hur korrelationsmatrisen och heatmappen för datamängden ser ut efter att PCA helt tagit bort multikollineariteten.
Den här övningen är en del av kursen
Öva på maskininlärningsintervjufrågor i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import
from sklearn.decomposition import ____
# Instantiate
pca = ____()
# Fit on train
pca.____(____)
# Transform train and test
X_trainPCA = pca.____(____)
X_testPCA = pca.____(____)