Normaliser et appliquer une transformation logarithmique

On vous fournit un jeu de données, attrition_num, contenant des données numériques sur les employés ayant quitté l’entreprise. Parmi les variables figurent Age, DistanceFromHome et MonthlyRate.

Vous souhaitez utiliser ces données pour construire un modèle capable de prédire si un employé est susceptible de rester, indiqué par Attrition, une variable binaire de type factor. En préparation du modèle, vous voulez réduire une éventuelle asymétrie (skewness) et éviter que certaines variables ne dominent les autres en raison de différences d’échelle.

Les données attrition_num ainsi que les partitions train et test sont déjà chargées.

Cet exercice fait partie du cours

Feature engineering en R

Afficher le cours

Instructions

Normalisez tous les prédicteurs numériques.
Appliquez une transformation logarithmique à toutes les variables numériques, avec un décalage (offset) de un.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

lr_model <- logistic_reg()

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

# Normalize all numeric predictors
  ___(all_numeric_predictors()) %>%

# Log-transform all numeric features, with an offset of one
  ___(___, offset = ___)

lr_workflow <- 
  workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe)

lr_workflow

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 !