Аналіз головних компонент
У двох попередніх розділах ви розглянули різні способи зменшення розмірності набору даних, зокрема регуляризацію та відбір ознак. На співбесіді з машинного навчання важливо вміти пояснити різні підходи до зменшення розмірності. Великі набори даних довго обчислюються, а шум у даних може спотворювати результати.
Один зі способів зменшення розмірності — аналіз головних компонент (PCA). Це ефективний метод скорочення розміру даних шляхом створення нових ознак, які зберігають найбільш корисну інформацію про набір даних і водночас усувають мультиколінеарність. У цій вправі ви використаєте модуль sklearn.decomposition, щоб виконати PCA над ознаками набору даних diabetes, ізольовуючи цільову змінну progression.
Ось де ви перебуваєте в конвеєрі:
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']