LoslegenKostenlos starten

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

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

Übungsanweisungen

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

Interaktive praktische Übung

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

# 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