Normalizar y aplicar transformación logarítmica

Tienes un conjunto de datos, attrition_num, con datos numéricos sobre empleados que dejaron la empresa. Las variables incluyen Age, DistanceFromHome y MonthlyRate.

Quieres usar estos datos para construir un modelo que pueda predecir si es probable que un empleado se quede, indicado por Attrition, una variable binaria codificada como factor. Como preparación para el modelado, quieres reducir la posible asimetría y evitar que algunas variables dominen a otras debido a diferencias de escala.

Los datos de attrition_num y las particiones train y test ya están cargados.

Este ejercicio forma parte del curso

Ingeniería de características en R

Ver curso

Instrucciones del ejercicio

Normaliza todos los predictores numéricos.
Aplica una transformación logarítmica a todas las variables numéricas, con un desplazamiento de uno.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

lr_model <- logistic_reg()

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

# Normalize all numeric predictors
  ___(all_numeric_predictors()) %>%

# Log-transform all numeric features, with an offset of one
  ___(___, offset = ___)

lr_workflow <- 
  workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe)

lr_workflow

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!