Transformación de Yeo-Johnson

Usando el conjunto de datos attrition_num con toda la información numérica sobre las personas que han dejado la empresa, quieres crear un modelo que pueda predecir si es probable que una persona se quede, usando Attrition, una variable binaria codificada como factor. Para que las variables se comporten de forma casi normal, crearás una receta que aplique la transformación Yeo-Johnson.

Los datos attrition_num, el modelo de regresión logística lr_model, la función definida por el usuario class-evaluate() y las particiones train y test ya están cargados para ti.

Este ejercicio forma parte del curso

Ingeniería de características en R

Ver curso

Instrucciones del ejercicio

Crea una receta que use Yeo-Johnson para transformar todas las variables numéricas, incluido el objetivo.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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)

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!