step_poly()
Jetzt, da du eine Baseline hast, kannst du die Leistung deines Modells vergleichen, wenn du allen numerischen Werten eine polynomiale Transformation hinzufügst.
Die attrition_num-Daten, die logistische Regression lr_model, die benutzerdefinierte Funktion class-evaluate() sowie die Splits train und test wurden bereits für dich geladen.
Diese Übung ist Teil des Kurses
Feature Engineering in R
Anleitung zur Übung
- Füge allen numerischen Prädiktoren eine polynomiale Transformation hinzu.
- Fitte den Workflow auf die Trainingsdaten.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
lr_recipe_poly <-
recipe(Attrition ~., data = train) %>%
# Add a polynomial transformation to all numeric predictors
___
lr_workflow_poly <- workflow() %>%
add_model(lr_model) %>%
add_recipe(lr_recipe_poly)
# Fit workflow to the train data
lr_fit_poly <- ___ %>% fit(train)
lr_aug_poly <- lr_fit_poly %>% augment(test)
lr_aug_poly %>% class_evaluate(truth = Attrition, estimate = .pred_class,.pred_No)