Construire un workflow

Vos données prêtes pour l’analyse, vous allez déclarer un logistic_model() pour prédire s’ils arriveront en retard ou non.

Vous attribuez le rôle « ID » à la variable flight pour la conserver comme référence pour l’analyse et le débogage. À partir de la variable date, vous allez créer de nouvelles caractéristiques pour modéliser explicitement l’effet des jours fériés et représenter les factors sous forme de variables indicatrices (dummy).

Assembler votre modèle et la recipe() avec workflow() vous aidera à garantir que les ajustements ou prédictions suivants appliqueront des étapes cohérentes d’ingénierie des caractéristiques.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Attribuez un rôle « ID » à flight.
Regroupez le modèle et la recette dans un objet workflow.
Ajustez lr_workflow aux données test.
Nettoyez (tidy) le workflow ajusté.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

lr_model <- logistic_reg()

# Assign an "ID" role to flight
lr_recipe <- recipe(arrival ~., data = train) %>% update_role(flight, new_role = ___) %>%
  step_holiday(date, holidays = timeDate::listHolidays("US")) %>% step_dummy(all_nominal_predictors())

# Bundle the model and the recipe into a workflow object
lr_workflow <- workflow() %>% add_model(___) %>% add_recipe(___)
lr_workflow

# Fit lr_workflow workflow to the test data  
lr_fit <- lr_workflow %>% ___(data = test)

# Tidy the fitted workflow  
tidy(___)

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 !