Creando un workflow

Con tus datos listos para el análisis, vas a declarar un logistic_model() para predecir si llegarán tarde o no.

Asignarás el rol de "ID" a la variable flight para mantenerla como referencia para el análisis y la depuración. A partir de la variable date, crearás nuevas características para modelar explícitamente el efecto de los festivos y representar los factors como variables ficticias (dummies).

Agrupar tu modelo y la recipe() usando workflow() te ayudará a garantizar que los ajustes o predicciones posteriores apliquen pasos de feature engineering de forma consistente.

Este ejercicio forma parte del curso

Ingeniería de características en R

Ver curso

Instrucciones del ejercicio

Asigna un rol de "ID" a flight.
Agrupa el modelo y la receta en un objeto workflow.
Ajusta lr_workflow a los datos de test.
Ordena el workflow ajustado con tidy().

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

lr_model <- logistic_reg()

# Assign an "ID" role to flight
lr_recipe <- recipe(arrival ~., data = train) %>% update_role(flight, new_role = ___) %>%
  step_holiday(date, holidays = timeDate::listHolidays("US")) %>% step_dummy(all_nominal_predictors())

# Bundle the model and the recipe into a workflow object
lr_workflow <- workflow() %>% add_model(___) %>% add_recipe(___)
lr_workflow

# Fit lr_workflow workflow to the test data  
lr_fit <- lr_workflow %>% ___(data = test)

# Tidy the fitted workflow  
tidy(___)

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!