Quel est le principal prédicteur ?

Votre prédiction est remarquable, mais quels étaient les principaux prédicteurs ? Comment interpréter le modèle pour aller au-delà des résultats bruts ? Les modèles de Machine Learning sont souvent critiqués pour leur manque d’interprétabilité. Toutefois, le classement de l’importance des variables éclaire la pertinence des caractéristiques que vous avez choisies par rapport à la variable cible. Examinons donc l’importance des variables et avançons à partir de là.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Créez un graphique d’importance des variables.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

lr_fit <- lr_workflow %>%
  fit(test)

lr_aug <- lr_fit %>%
  augment(test)

lr_aug %>% class_evaluate(truth = Attrition,
                          estimate = .pred_class,
                          .pred_No)

# Create a variable importance chart
lr_fit %>%
  extract_fit_parsnip() %>%
  ___(aesthetics = list(fill = "steelblue"), num_features = 5)

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 !