Dans la matrice

Vous avez identifié six valeurs distinctes pour EducationField. Mais vous soupçonnez que d’autres pourraient apparaître lorsque vous exécuterez le modèle sur de nouvelles données. Pour vous y préparer, vous allez créer un index de hachage avec 50 termes. Le package textrecipes ainsi que les partitions attrition_train et attrition_test sont déjà chargés.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Ajoutez une étape à la recette qui génère un index dummy_hash pour EducationField.
Préparez la recette.
Cuisinez (bake) la recette préparée.
Fusionnez la table issue du bake et les valeurs de EducationField en une seule table, puis affichez les 7 premières lignes ainsi que les colonnes 1 et 18 à 20.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

recipe <- recipe(~EducationField, data = attrition_train) %>%
# Add a step to the recipe that generates a dummy_hash index for EducationField
  ___(EducationField, prefix = NULL, signed = FALSE, num_terms = 50L)

# Prepare the recipe
object <- recipe %>%
  ___

# Bake the prepped recipe
baked <- ___(object, new_data = attrition_test)

# Bind the baked recipe table and the EducationField values into one table
bind_cols(___, baked)[1:7,c(1,18:20)]

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 !