Методи боротьби з мультиколінеарністю — PCA
У попередній вправі ви використали інженерію ознак, щоб об'єднати незалежні змінні s1 та s2 в s1_s2, оскільки вони мали найвищу кореляцію в наборі даних diabetes.
У цій вправі ви застосуєте PCA до diabetes, щоб прибрати мультиколінеарність, а потім побудуєте на ньому лінійну регресію. Далі ви порівняєте отримані метрики з результатами попередньої вправи. Нарешті, ви візуалізуєте, як виглядають кореляційна матриця та теплокарта набору даних, адже PCA повністю усуває мультиколінеарність.
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import
from sklearn.decomposition import ____
# Instantiate
pca = ____()
# Fit on train
pca.____(____)
# Transform train and test
X_trainPCA = pca.____(____)
X_testPCA = pca.____(____)