LoslegenKostenlos starten

Manuelle Regularisierung mit Lasso

Der Datensatz attrition hat 30 Variablen. Deine Personalabteilung bittet dich, ein Modell zu bauen, das leicht zu interpretieren und zu warten ist. Sie möchten insbesondere die Anzahl der Features reduzieren, damit dein Modell so gut wie möglich interpretierbar ist.

In dieser Übung verwendest du Lasso, um die Anzahl der Variablen in deinem Modell automatisch zu verringern. Bei diesem ersten Versuch gibst du die Strafterm-Höhe manuell vor und beobachtest das Verhalten des Modells.

train- und test-Daten sowie ein grundlegendes recipe sind bereits für dich geladen.

Diese Übung ist Teil des Kurses

<Kurs>Feature Engineering in R</Kurs>
Kurs ansehen

Übungsanweisungen

  • Setze dein Logistikregressionsmodell so, dass es die glmnet-Engine verwendet.
  • Setze die Argumente so, dass Lasso mit einer Penalty von 0,06 ausgeführt wird.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

model_lasso_manual <- logistic_reg() %>%

# Set the glmnet engine for your logistic regression model
  ___(___) %>%

# Set arguments to run Lasso with a penalty of 0.06
  set_args(mixture = ___, ___ = ___)

workflow_lasso_manual <- workflow() %>%
  add_model(model_lasso_manual) %>%
  add_recipe(recipe)

fit_lasso_manual <- workflow_lasso_manual %>% 
  fit(train)

tidy(fit_lasso_manual)
Code bearbeiten und ausführen