Memprediksi pemesanan hotel

Anda baru saja bekerja di sebuah perusahaan riset perhotelan, dan tugas pertama Anda adalah membangun model yang memprediksi apakah sebuah masa inap di hotel akan mencakup anak-anak atau tidak. Untuk melatih model Anda, Anda akan menggunakan versi modifikasi dari himpunan data permintaan pemesanan hotel oleh Antonio, Almeida, dan Nunes (2019). Anda membatasi data pada fitur-fitur berikut:

features <- c('hotel', 'adults', 
              'children', 'meal',
              'reserved_room_type', 
              'customer_type', 
              'arrival_date')

Data telah dimuat untuk Anda sebagai hotels, beserta pembagian test dan train yang sesuai, dan model telah dideklarasikan sebagai lr_model <- logistic_reg().

Anda akan mengevaluasi kinerja model menggunakan akurasi dan area di bawah kurva ROC atau AUC.

Latihan ini merupakan bagian dari kursus

Rekayasa Fitur di R

Lihat Kursus

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

lr_recipe <- 
  recipe(children ~., data = train) %>%
# Generate "day of the week", "week" and "month" features

  step_date(arrival_date, features = c(___, ___, ___)) %>%

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

Edit dan Jalankan Kode

Rekayasa Fitur di R

SkillTag.level.intermediateSkillTag.label

4.8+

143 reviews

Anda akan menutup kursus dengan mempelajari teknik rekayasa fitur dan Machine Learning. Anda akan mulai dengan berfokus pada masalah yang terkait dengan penggunaan semua fitur yang tersedia dalam sebuah model dan pentingnya mengidentifikasi fitur yang tidak relevan dan redundan serta mempelajari cara menghapus fitur-fitur tersebut menggunakan metode embedded seperti lasso dan elastic-net. Selanjutnya, Anda akan mengeksplorasi metode shrinkage seperti lasso, ridge, dan elastic-net, yang dapat digunakan untuk melakukan regularisasi bobot fitur atau memilih fitur dengan menyetel koefisien menjadi nol. Terakhir, Anda akan menutup dengan membuat alur kerja rekayasa fitur end-to-end serta meninjau dan mempraktikkan konsep serta fungsi yang telah dipelajari sebelumnya dalam sebuah proyek kecil.

Exercise 1: Mengurangi fitur model Exercise 2: Menelusuri kepentingan variabel Exercise 3: Menilai kinerja model menggunakan semua prediktor yang tersedia Exercise 4: Membangun model tereduksi Exercise 5: Metode shrinkage Exercise 6: Regularisasi manual dengan Lasso Exercise 7: Menyetel penalty Exercise 8: Finalisasi model Exercise 9: Menggabungkan semuanya Exercise 10: Siapkan dan bagi Exercise 11: Praproses Exercise 12: Model Exercise 13: Evaluasi Exercise 14: Selamat!