1. 初めに こちらのページを参考に,株価の構造を直接相関に着目して浮き上がらせ,可視化的にも計算的にも取り扱いやすい疎なグラフへ変換します. 最終的には次のような特定のエッジが強調された対マルコフグラフを描写します. Kaggleの記事でも紹介しましたが,このような変数間の相関関係を教師なし学習で把握することは,機械学習の予測精度を向上させる変数を新たに作成するため,非常に役立つ手段となりえます. また,今回は一般的なピアソン相関ではなく,GraphLassoを用いて対マルコフグラフを描写します.通常,変数間の相関関係は直接相関と間接相関の2種類が含まれています.間接相関とは,本来では因果関係が成立しないはずの変数間で第三因子の存在により相関が発生する,見かけ上の相関を意味します.SklearnのGraphLassoは,各変数の確率密度関数がガウス分布に基づくという前提のもと,精度行列を
![GraphLassoを用いた株式市場の構造学習 - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/f3721de0afe40f9af6019838ce635c918c57e64a/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-1150d8b18a7c15795b701a55ae908f94.png%3Fixlib%3Drb-1.2.2%26w%3D1200%26mark%3Dhttps%253A%252F%252Fqiita-user-contents.imgix.net%252F~text%253Fixlib%253Drb-1.2.2%2526w%253D840%2526h%253D380%2526txt%253DGraphLasso%2525E3%252582%252592%2525E7%252594%2525A8%2525E3%252581%252584%2525E3%252581%25259F%2525E6%2525A0%2525AA%2525E5%2525BC%25258F%2525E5%2525B8%252582%2525E5%2525A0%2525B4%2525E3%252581%2525AE%2525E6%2525A7%25258B%2525E9%252580%2525A0%2525E5%2525AD%2525A6%2525E7%2525BF%252592%2526txt-color%253D%252523333%2526txt-font%253DAvenir-Black%2526txt-size%253D54%2526txt-clip%253Dellipsis%2526txt-align%253Dcenter%25252Cmiddle%2526s%253D619614f0231abda98255e4c97866cc27%26mark-align%3Dcenter%252Cmiddle%26blend%3Dhttps%253A%252F%252Fqiita-user-contents.imgix.net%252F~text%253Fixlib%253Drb-1.2.2%2526w%253D840%2526h%253D500%2526txt%253D%252540TomHortons%2526txt-color%253D%252523333%2526txt-font%253DAvenir-Black%2526txt-size%253D45%2526txt-align%253Dright%25252Cbottom%2526s%253D29167ddfa5dfa623b4bab02359e36bf3%26blend-align%3Dcenter%252Cmiddle%26blend-mode%3Dnormal%26s%3D1c752ed99ec3179f6c30d0e085499eee)