¿Cuál es el predictor principal?

Has obtenido una predicción excelente, pero ¿cuáles fueron los principales predictores? ¿Cómo puedes interpretar el modelo para ir más allá de los resultados en bruto? A los modelos de Machine Learning a menudo se les critica por su falta de interpretabilidad. Sin embargo, los rankings de importancia de variables arrojan luz sobre la relevancia de las características que has elegido respecto al resultado. Así que vamos a investigar la importancia de variables y partimos de ahí.

Este ejercicio forma parte del curso

Ingeniería de características en R

Ver curso

Instrucciones del ejercicio

Crea un gráfico de importancia de variables.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

lr_fit <- lr_workflow %>%
  fit(test)

lr_aug <- lr_fit %>%
  augment(test)

lr_aug %>% class_evaluate(truth = Attrition,
                          estimate = .pred_class,
                          .pred_No)

# Create a variable importance chart
lr_fit %>%
  extract_fit_parsnip() %>%
  ___(aesthetics = list(fill = "steelblue"), num_features = 5)

Editar y ejecutar código

Ingeniería de características en R

IntermedioNivel de habilidad

4.8+

110 reviews

Cerrarás el curso con técnicas de ingeniería de características y de Machine Learning. Empezarás centrándote en los problemas asociados a usar todas las características disponibles en un modelo y en la importancia de identificar características irrelevantes y redundantes, y aprenderás a eliminarlas mediante métodos integrados como lasso y elastic-net. Después, explorarás métodos de contracción como lasso, ridge y elastic-net, que pueden usarse para regularizar los pesos de las características o seleccionar características estableciendo coeficientes en cero. Para terminar, te centrarás en crear un flujo de trabajo de ingeniería de características de extremo a extremo y en repasar y practicar los conceptos y funciones aprendidos en un pequeño proyecto.

Exercise 1: Reducir las características del modelo Exercise 2: Filtrar la importancia de variables Exercise 3: Evaluar el rendimiento del modelo usando todos los predictores disponibles Exercise 4: Crear un modelo reducido Exercise 5: Métodos de contracción Exercise 6: Regularización manual con Lasso Exercise 7: Ajustar el parámetro penalty Exercise 8: Finalizar el modelo Exercise 9: Juntándolo todo Exercise 10: Preparar y dividir Exercise 11: Preprocesar Exercise 12: Modelo Exercise 13: Evaluar Exercise 14: ¡Enhorabuena!