Visualiser la variance expliquée

Avec tous ces calculs en main, il est toujours utile de représenter nos données visuellement. Vous allez maintenant créer un diagramme en colonnes montrant la variance expliquée par composante principale.

Le vecteur variable_explained que vous avez créé dans le dernier exercice est disponible, et le theme_() de ggplot() est réglé à « classic ».

Cette activité fait partie du cours

Ingénierie des caractéristiques en R

Voir le cours

Instructions de l’exercice

Utilisez l'information dans le tibble de l'ACP pour créer un diagramme en colonnes de la variance expliquée.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

PCA = tibble(PC = 1:length(sdev), var_explained = var_explained, 
       cumulative = cumsum(var_explained))

# Use the information in the PCA tibble to create a column plot of variance explained
PCA %>% ggplot(aes(x = ___, y = ___)) +
  geom_col(fill = "steelblue") +
  xlab("Principal components") +
  ylab("Variance explained")

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 !