Imputer les valeurs manquantes et créer des variables indicatrices

Après avoir détecté des valeurs manquantes dans le jeu de données attrition et déterminé qu’elles sont manquantes complètement au hasard (MCAR), vous décidez d’utiliser l’imputation par K plus proches voisins (KNN). Lors de la configuration de votre recipe de feature engineering, vous choisissez de créer des variables indicatrices pour toutes vos variables nominales et de mettre à jour le rôle de la variable ...1 en « ID » afin de la conserver dans le jeu de données à des fins de référence, sans affecter votre modèle.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Mettez à jour le rôle de ...1 en « ID ».
Imputez des valeurs à tous les prédicteurs là où des données sont manquantes.
Créez des variables indicatrices pour tous les prédicteurs nominaux.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

lr_model <- logistic_reg()

lr_recipe <- 
  recipe(Attrition ~., data = train) %>%

# Update the role of "...1" to "ID"
  ___(...1, new_role = "ID" ) %>%

# Impute values to all predictors where data are missing
  step_impute_knn(___) %>%

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

lr_recipe

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 !