Візуалізація розділення класів за допомогою PCA I
Поширене запитання на співбесіді з машинного навчання — як візуалізувати простір після PCA. У цій вправі ви саме це й зробите: побудуєте графік перших двох головних компонент для loan_data, щоб побачити, як класи розділяються за цими компонентами залежно від того, чи позику було повністю погашено або списано.
Набір даних loan_data уже масштабровано та перетворено методом one-hot encoding, тобто категоріальні змінні перетворено на бінарні індикатори, адже перед PCA ознаки мають бути в одній шкалі та числовими.
Для вас уже налаштовано модель PCA з 2 головними компонентами, а також підписано осі x та y і заголовок графіка. У вправах ви використовуватимете датафрейм loan_data_PCA. Можливі значення цільової змінної Loan Status — 0 і 1. Ви зобразите PC1 на осі x та PC2 на осі y.
Вже імпортовано: matplotlib.pyplot як plt, seaborn як sns, PCA з sklearn.decomposition.
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
targets = [____, ____]
colors = ['r', 'b']
# For loop to create plot
for target, color in zip(____, ____):
indicesToKeep = ____['____'] == ____