Erstelle einen Recipe-Model-Workflow

Das Paket tidymodels kann Rezepte und Modelle in Workflows kombinieren. Workflows erleichtern es, eine Pipeline von Schritten zu erstellen, um Daten vorzubereiten und Modelle zu trainieren. Workflows können dann leicht auf neue Daten angewendet werden, ohne alle Vorverarbeitungs- und Modellierungsschritte neu definieren zu müssen. Praktischerweise haben Workflows eine fit()-Funktion, die sowohl das Rezept als auch das Modell an die Daten anpasst.

In dieser Übung übst du, ein Rezept und ein Modell zu erstellen und sie zu einem Workflow hinzuzufügen, sodass sie bereit sind, an die Daten angepasst zu werden. Die train- und test-Sets der Employee-Healthcare-Attrition-Daten stehen dir zur Verfügung. Die Zielvariable ist Attrition.

Die Pakete tidyverse und tidymodels wurden bereits für dich geladen.

Diese Übung ist Teil des Kurses

Dimensionsreduktion in R

Kurs anzeigen

Anleitung zur Übung

Definiere ein Rezept mit den train-Daten mit step_filter_missing(), step_scale() und step_nzv(), um NAs zu entfernen, die numerischen Features zu skalieren und Features mit geringer Varianz zu entfernen. Verwende für step_filter_missing() einen Schwellenwert von 0,5.
Definiere ein logistisches Regressionsmodell mit der Engine "glm".
Füge feature_selection_recipe und lr_model zu einem Workflow namens attrition_wflow hinzu.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create recipe
feature_selection_recipe <- 
  ___(___ ~ ., data = ___) %>% 
  ___(___(), threshold = 0.5) %>% 
  ___(___()) %>% 
  ___(___()) %>% 
  prep()
  
# Create model
lr_model <- ___() %>% 
  ___("___")

# Add recipe and model to a workflow
attrition_wflow <- ___() %>% 
  ___(___) %>% 
  ___(___)

Code bearbeiten und ausführen