Visualisera principalkomponenter med ett scree-diagram
I en maskininlärningsintervju kan du bli tillfrågad om det optimala antalet särdrag att behålla. I den här övningen skapar du ett scree-diagram och ett diagram över kumulativ förklarad varians för principalkomponenterna med hjälp av PCA på loan_data.
Detta hjälper dig att avgöra det optimala antalet principalkomponenter för att träna en mer träffsäker ML-modell framöver.
Eftersom PCA är en oövervakad metod utförs principalkomponentanalysen på matrisen X, där målvariabeln Loan Status har tagits bort från datamängden. Om n_components inte anges returneras samtliga principalkomponenter från den tränade modellen.
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.
# Remove target variable
X = loan_data.____('____', axis=1)
# Instantiate
pca = ____(n_components=____)
# Fit and transform
principalComponents = pca.____(____)