Візуалізація головних компонент за допомогою діаграми осипу
На співбесіді з машинного навчання вас можуть запитати, скільки ознак доцільно залишити. У цій вправі ви створите діаграму осипу (scree plot) та графік кумулятивної частки поясненої дисперсії для головних компонент, застосувавши PCA до loan_data.
Це допоможе визначити оптимальну кількість головних компонент (PCs) для навчання точнішої ML-моделі надалі.
Оскільки PCA — це метод без учителя, аналіз головних компонент виконується над матрицею X, попередньо вилучивши цільову змінну Loan Status з набору даних. Якщо не встановлювати n_components, модель поверне всі головні компоненти.
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Remove target variable
X = loan_data.____('____', axis=1)
# Instantiate
pca = ____(n_components=____)
# Fit and transform
principalComponents = pca.____(____)