1. Learn
    2. /
  2. Курси
    3. /
  3. Практика співбесід з Machine Learning у Python
Connected

Вправа

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.

Інструкції 1/4

undefined XP
  • 1
    • Створіть матрицю даних X, вилучивши цільову змінну.
    • Створіть, навчіть і перетворіть об'єкт PCA, який повертає 10 головних компонент.
  • 2
    • Створіть DataFrame, що відображає Variance Explained на частку поясненої дисперсії.
    • Побудуйте діаграму осипу з pca_df, розмістивши PCs на осі x, а пояснену дисперсію — на осі y.
  • 3
    • Створіть, навчіть і перетворіть об'єкт PCA без встановлення n_components.
    • Виведіть частки поясненої дисперсії.
  • 4
    • Присвойте cumulative_var кумулятивну суму часток поясненої дисперсії з попереднього кроку.
    • Побудуйте графік результатів.