Visualisering av klasseparation med PCA I
En vanlig fråga i en maskininlärningsintervju är att visualisera dimensionalitet efter PCA. I den här övningen gör du precis det – du plottar de två första huvudkomponenterna för loan_data för att visualisera klasseparationen mellan komponenterna, baserat på om lånestatusen är fullt betald eller avskriven.
Datamängden loan_data har skalats och one-hot-kodats, vilket innebär att kategoriska variabler har omvandlats till binära indikatorer, eftersom särdragen bör vara på samma skala och vara numeriska inför PCA.
En PCA-modell med 2 huvudkomponenter samt en plot med x- och y-etiketter och titel har redan konfigurerats åt dig. Du kommer att använda en DataFrame som heter loan_data_PCA i övningarna. De möjliga värdena för målvariabeln Loan Status är 0 och 1. Du plottar PC1 på x-axeln och PC2 på y-axeln.
Följande är redan importerade åt dig: matplotlib.pyplot som plt, seaborn som sns och PCA från sklearn.decomposition.
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.
targets = [____, ____]
colors = ['r', 'b']
# For loop to create plot
for target, color in zip(____, ____):
indicesToKeep = ____['____'] == ____