¿Quién se queda?

Es hora de practicar combinando varias transformaciones con los datos de attrition_num. Primero, normaliza o aproxima a normal las variables numéricas aplicando una transformación de Yeo-Johnson. Después, transforma los predictores numéricos a percentiles, crea variables ficticias (dummies) y elimina las características con varianza casi nula.

Este ejercicio forma parte del curso

Ingeniería de características en R

Ver curso

Instrucciones del ejercicio

Aplica una transformación de Yeo-Johnson a todas las variables numéricas.
Transforma todos los predictores numéricos en percentiles.
Crea variables ficticias (dummies) para todos los predictores nominales.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

lr_recipe <- recipe(Attrition ~., data = train) %>%

# Apply a Yeo-Johnson transformation to all numeric variables
  ___ %>%

# Transform all numeric predictors into percentiles
 ___ %>%

# Create dummy variables for all nominal predictors
  ___

lr_workflow <- workflow() %>% add_model(lr_model) %>% add_recipe(lr_recipe)
lr_fit <- lr_workflow %>% fit(train)
lr_aug <- lr_fit %>% augment(test)
lr_aug %>% 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!