Préparer le terrain

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

Le jeu de données attrition_num est déjà chargé pour vous.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Supprimez les variables susceptibles d’avoir une variance quasi nulle.
Normalisez toutes les données numériques.
Appliquez une PCA.
Préparez la recette pour accéder aux noms des éléments de sortie.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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

Feature engineering en R

IntermédiaireNiveau de compétence

4.8+

109 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 !