Préparer le terrain

Vous allez explorer le jeu de données attrition_num sous l'angle de la PCA afin de voir s'il est possible de réduire la dimensionnalité tout en préservant l'essentiel de l'information. Commencez par créer une recette qui filtre les caractéristiques à variance quasi nulle, normalise les données et applique la PCA.

Le jeu de données attrition_num est déjà chargé pour vous.

Cette activité fait partie du cours

Ingénierie des caractéristiques en R

Voir le cours

Instructions de l’exercice

Retirez les caractéristiques présentant une variance quasi nulle.
Normalisez toutes les données numériques.
Appliquez la PCA.
Préparez la recette pour accéder aux noms des éléments de sortie.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

pc_recipe <- recipe(~., data = attrition_num) %>%

# Remove possible near-zero variance features
  ___(all_numeric()) %>%

# Normalize all numeric data
  ___(___()) %>%

# Apply PCA
  ___(all_numeric())

# Access the names of the output elements by preparing the recipe
pca_output <- ___(___)
names(pca_output)

Modifier et exécuter le code

Ingénierie des caractéristiques en R

SkillTag.level.intermediateSkillTag.label

4.8+

149 reviews

Vous conclurez le cours en étudiant des techniques d'ingénierie des caractéristiques et de Machine Learning. Vous commencerez par vous pencher sur les problèmes liés à l'utilisation de toutes les caractéristiques disponibles dans un modèle et sur l'importance de repérer les caractéristiques non pertinentes et redondantes, puis d'apprendre à les enlever à l'aide de méthodes intégrées comme le lasso et l'elastic net. Ensuite, vous explorerez des méthodes de rétrécissement comme le lasso, la crête (ridge) et l'elastic net, qui peuvent servir à régulariser les poids des caractéristiques ou à sélectionner des caractéristiques en mettant certains coefficients à zéro. Enfin, vous terminerez en créant un enchaînement complet d'ingénierie des caractéristiques et en passant en revue, puis en pratiquant, les concepts et fonctions vus précédemment dans un petit projet.

Exercise 1: Réduire les caractéristiques du modèle Exercise 2: Passer au crible l'importance des variables Exercise 3: Évaluer la performance du modèle avec tous les prédicteurs disponibles Exercise 4: Créer un modèle réduit Exercise 5: Méthodes de rétrécissement Exercise 6: Régularisation manuelle avec Lasso Exercise 7: Ajuster le paramètre penalty Exercise 8: Finaliser le modèle Exercise 9: Mettre le tout ensemble Exercise 10: Préparer et partitionner Exercise 11: Prétraitement Exercise 12: Modèle Exercise 13: Évaluer Exercise 14: Félicitations !