การแยกคลาสด้วย PCA แบบภาพ I

คำถามที่พบบ่อยในการสัมภาษณ์ด้าน Machine Learning คือการแสดงภาพข้อมูลหลังการลดมิติด้วย PCA ในแบบฝึกหัดนี้ จะได้ทำสิ่งนั้นโดยพล็อต principal component 2 ตัวแรกของ loan_data เพื่อดูการแยกคลาสระหว่างทั้งสอง component ตามสถานะสินเชื่อว่าชำระครบแล้วหรือถูกตัดหนี้สูญ

ชุดข้อมูล loan_data ผ่านการ scale และ one-hot encode มาแล้ว กล่าวคือตัวแปรเชิงหมวดหมู่ถูกแปลงเป็นตัวบ่งชี้แบบไบนารี เนื่องจาก feature ทุกตัวควรอยู่ในสเกลเดียวกันและเป็นตัวเลขก่อนนำเข้า PCA

โมเดล PCA ที่มี 2 PC รวมถึงการตั้งค่าป้ายกำกับแกน x, y และหัวเรื่องของกราฟได้จัดเตรียมไว้ให้แล้ว โดยจะใช้ DataFrame ชื่อ loan_data_PCA ในแบบฝึกหัดนี้ ค่าที่เป็นไปได้ของตัวแปร target Loan Status คือ 0 และ 1 และจะพล็อต PC1 บนแกน x กับ PC2 บนแกน y

ไลบรารีที่ import ไว้ให้แล้วได้แก่ matplotlib.pyplot as plt, seaborn as sns และ PCA จาก sklearn.decomposition

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

ฝึกตอบคำถามสัมภาษณ์ Machine Learning ด้วย Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

targets = [____, ____]
colors = ['r', 'b']

# For loop to create plot
for target, color in zip(____, ____):
    indicesToKeep = ____['____'] == ____

แก้ไขและรันโค้ด