Prédire les réservations d’hôtel

Vous venez d’être embauqué·e dans une société d’études spécialisée dans l’hôtellerie. Votre première mission consiste à créer un modèle qui prédit si un séjour à l’hôtel inclura des enfants ou non. Pour entraîner votre modèle, vous utiliserez une version modifiée du jeu de données sur la demande de réservation d’hôtels de Antonio, Almeida et Nunes (2019). Vous limitez vos données aux variables suivantes :

features <- c('hotel', 'adults', 
              'children', 'meal',
              'reserved_room_type', 
              'customer_type', 
              'arrival_date')

Les données ont été chargées pour vous sous le nom hotels, ainsi que les partitions correspondantes test et train, et le modèle a été déclaré comme lr_model <- logistic_reg().

Vous évaluerez les performances du modèle avec l’accuracy et l’aire sous la courbe ROC (AUC).

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

lr_recipe <- 
  recipe(children ~., data = train) %>%
# Generate "day of the week", "week" and "month" features

  step_date(arrival_date, features = c(___, ___, ___)) %>%

# Create dummy variables for all nominal predictors
  step_dummy(___)

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 !