Assembler les modèles

Lorsque vous exécutez plusieurs modèles, il est utile de résumer vos résultats pour les comparer, à la fois sous forme de tibble et via un graphique en coordonnées parallèles. L’objet glm_metrics que vous avez créé est chargé dans l’espace de travail, ainsi que les objets correspondants bayes_metrics et mixed_metrics. Le package GGally est prêt à l’emploi.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Empilez les trois modèles par lignes.
Créez un graphique en coordonnées parallèles pour comparer les performances des modèles selon les deux métriques.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

model <- c("glm", "glm","bayes","bayes", "mixed", "mixed")

# Bind models by rows
models <- ___(glm_metrics,bayes_metrics, mixed_metrics)%>%
  add_column(model = model)%>%
  select(-.estimator) %>%
  spread(model,.estimate)

models

# Create a parallel coordinates plot
___(models,
           columns = 2:4, groupColumn = 1,
           scale="globalminmax",
           showPoints = TRUE)

Modifier et exécuter le code

Feature engineering en R

IntermédiaireNiveau de compétence

4.8+

110 reviews

Vous terminerez le cours en découvrant des techniques de feature engineering et de Machine Learning. Vous commencerez par vous concentrer sur les problèmes liés à l’utilisation de toutes les variables disponibles dans un modèle et sur l’importance d’identifier les variables non pertinentes ou redondantes, puis d’apprendre à les supprimer à l’aide de méthodes intégrées comme le lasso et l’elastic‑net. Ensuite, vous explorerez des méthodes de rétrécissement comme le lasso, la ridge et l’elastic‑net, qui permettent de régulariser les poids des variables ou de sélectionner des variables en annulant certains coefficients. Enfin, vous construirez un flux de travail de feature engineering de bout en bout et réviserez les notions et fonctions vues précédemment dans un petit projet.

Exercise 1: Réduire les variables du modèle Exercise 2: Passer au crible l’importance des variables Exercise 3: Évaluer les performances du modèle avec tous les prédicteurs disponibles Exercise 4: Construire un modèle réduit Exercise 5: Méthodes de rétrécissement Exercise 6: Régularisation manuelle avec Lasso Exercise 7: Ajuster la pénalité Exercise 8: Finaliser le modèle Exercise 9: Réunir le tout Exercise 10: Préparer et découper Exercise 11: Prétraiter Exercise 12: Modèle Exercise 13: Évaluer Exercise 14: Félicitations !