Transformation de Yeo-Johnson

En utilisant le jeu de données attrition_num contenant toutes les données numériques sur les employés qui ont quitté l’entreprise, vous souhaitez construire un modèle capable de prédire si un employé est susceptible de rester, en vous appuyant sur Attrition, une variable binaire encodée comme un factor. Pour rendre les variables proches d’une distribution normale, vous allez créer une recette qui applique la transformation Yeo-Johnson.

Les données attrition_num, la régression logistique lr_model, la fonction personnalisée class-evaluate() et les partitions train et test sont déjà chargées pour vous.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Créez une recette qui utilise Yeo-Johnson pour transformer toutes les variables numériques, y compris la cible.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Create a recipe that uses Yeo-Johnson to transform all numeric features
lr_recipe_YJ <- 
  recipe(Attrition ~., data = train) %>%
  ___

lr_workflow_YJ <- workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe_YJ)
lr_fit_YJ <- lr_workflow_YJ %>%
  fit(train)
lr_aug_YJ <-
  lr_fit_YJ %>% augment(test)
lr_aug_YJ %>% class_evaluate(truth = Attrition,
                 estimate = .pred_class,.pred_No)

Modifier et exécuter le code

Feature engineering en R

IntermédiaireNiveau de compétence

4.8+

110 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 !