Qui reste ?

Il est temps de vous entraîner à combiner plusieurs transformations sur les données attrition_num. Commencez par normaliser ou quasi-normaliser les variables numériques en appliquant une transformation de Yeo-Johnson. Ensuite, transformez les prédicteurs numériques en percentiles, créez des variables indicatrices (dummy) et éliminez les variables avec une variance quasi nulle.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Appliquez une transformation de Yeo-Johnson à toutes les variables numériques.
Transformez tous les prédicteurs numériques en percentiles.
Créez des variables indicatrices (dummy) pour tous les prédicteurs nominaux.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

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

# Apply a Yeo-Johnson transformation to all numeric variables
  ___ %>%

# Transform all numeric predictors into percentiles
 ___ %>%

# Create dummy variables for all nominal predictors
  ___

lr_workflow <- workflow() %>% add_model(lr_model) %>% add_recipe(lr_recipe)
lr_fit <- lr_workflow %>% fit(train)
lr_aug <- lr_fit %>% augment(test)
lr_aug %>% class_evaluate(truth = Attrition, estimate = .pred_class,.pred_No)

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 !