LoslegenKostenlos loslegen

Yeo-Johnson-Transformation

Mit dem Datensatz attrition_num mit ausschließlich numerischen Daten zu Mitarbeitenden, die das Unternehmen verlassen haben, möchtest du ein Modell aufbauen, das vorhersagt, ob jemand voraussichtlich bleibt. Die Variable Attrition ist binär und als factor kodiert. Damit sich die Features annähernd normal verhalten, erstellst du ein Rezept, das die Yeo-Johnson-Transformation anwendet.

Die Daten attrition_num, die logistische Regression lr_model, die benutzerdefinierte Funktion class-evaluate() sowie die Splits train und test sind für dich geladen.

Diese Übung ist Teil des Kurses

Feature Engineering in R

Kurs anzeigen

Anleitung zur Übung

  • Erstelle ein Rezept, das Yeo-Johnson verwendet, um alle numerischen Features zu transformieren, einschließlich des Targets.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create a recipe that uses Yeo-Johnson to transform all numeric features
lr_recipe_YJ <- 
  recipe(Attrition ~., data = train) %>%
  ___

lr_workflow_YJ <- workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe_YJ)
lr_fit_YJ <- lr_workflow_YJ %>%
  fit(train)
lr_aug_YJ <-
  lr_fit_YJ %>% augment(test)
lr_aug_YJ %>% class_evaluate(truth = Attrition,
                 estimate = .pred_class,.pred_No)
Code bearbeiten und ausführen