Predicción de reservas de hotel

Acabas de entrar a trabajar en una empresa de investigación del sector hotelero, y tu primera tarea es crear un modelo que prediga si una estancia en hotel incluirá niños o no. Para entrenar tu modelo, usarás una versión modificada del conjunto de datos de demanda de reservas hoteleras de Antonio, Almeida y Nunes (2019). Vas a limitar tus datos a las siguientes características:

features <- c('hotel', 'adults', 
              'children', 'meal',
              'reserved_room_type', 
              'customer_type', 
              'arrival_date')

Los datos se han cargado por ti como hotels, junto con sus particiones test y train, y el modelo se ha declarado como lr_model <- logistic_reg().

Evaluarás el rendimiento del modelo mediante accuracy y el área bajo la curva ROC o AUC.

Este ejercicio forma parte del curso

Ingeniería de características en R

Ver curso

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

lr_recipe <- 
  recipe(children ~., data = train) %>%
# Generate "day of the week", "week" and "month" features

  step_date(arrival_date, features = c(___, ___, ___)) %>%

# Create dummy variables for all nominal predictors
  step_dummy(___)

Editar y ejecutar código

Ingeniería de características en R

IntermedioNivel de habilidad

4.8+

109 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!