Mengidentifikasi nilai hilang

Attrisi adalah isu penting bagi perusahaan, karena kehilangan seorang karyawan tidak hanya menimbulkan biaya untuk merekrut dan melatih pengganti, tetapi juga berarti hilangnya pengetahuan tacit dan budaya yang sulit dipulihkan.

Himpunan data attrition berisi informasi tentang attrisi karyawan termasuk Age, WorkLifeBalance, DistanceFromHome, StockOptionLevel, dan 27 variabel lainnya. Sebelum melanjutkan analisis, Anda ingin mendeteksi variabel yang memiliki nilai hilang.

Paket naniar dan himpunan data attrition sudah dimuat untuk Anda.

Latihan ini merupakan bagian dari kursus

Rekayasa Fitur di R

Lihat Kursus

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Explore missing data on the attrition dataset
___(attrition)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Rekayasa Fitur di R

SkillTag.level.intermediateSkillTag.label

4.8+

143 reviews

Mulai Kursus Gratis

Data mentah tidak selalu hadir dalam bentuk terbaiknya untuk dianalisis. Pada bab pembuka ini, Anda akan melihat pertama kali cara mentransformasi dan membuat fitur yang meningkatkan kinerja serta keterjelasan model Anda.

Exercise 1: Apa itu feature engineering?Exercise 2: Model awal Exercise 3: Merekayasa fitur secara manual Exercise 4: Membuat fitur baru menggunakan pengetahuan domain Exercise 5: Menyiapkan data Anda untuk analisis Exercise 6: Membangun workflow Exercise 7: Meningkatkan kandungan informasi dari data mentah Exercise 8: Mengidentifikasi nilai hilang

Latihan Saat Ini

Exercise 9: Mengimputasi nilai hilang dan membuat variabel dummy Exercise 10: Melatih dan menilai model Exercise 11: Memprediksi pemesanan hotel

Di bab ini, Anda akan mempelajari bahwa, selain mentransformasi fitur secara manual, Anda dapat memanfaatkan alat dari tidyverse untuk merekayasa variabel baru secara terprogram. Anda akan menelusuri bagaimana pendekatan ini meningkatkan reprodusibilitas model dan sangat berguna saat menangani himpunan data dengan banyak fitur.

Exercise 1: Mengapa mengubah fitur yang sudah ada?Exercise 2: Melirik data Anda Exercise 3: Normalisasi dan transformasi log Exercise 4: Fit dan augment Exercise 5: Sesuaikan penilaian model Anda Exercise 6: Transformasi fitur yang umum Exercise 7: Transformasi umum Exercise 8: Resep dasar Exercise 9: Transformasi Box-Cox Exercise 10: Transformasi Yeo-Johnson Exercise 11: Transformasi lanjutan Exercise 12: Garis Dasar Exercise 13: step_poly()Exercise 14: step_percentile()Exercise 15: Siapa yang tetap tinggal?

Sekarang Anda akan mempelajari bagaimana model sering kali diuntungkan dari pengurangan dimensi dan ekstraksi fitur dari data berdimensi tinggi, termasuk mengonversi data teks menjadi nilai numerik, melakukan pengodean data kategorikal, dan memberi peringkat kekuatan prediktif variabel. Anda akan mengeksplorasi metode seperti principal component analysis, kernel principal component analysis, ekstraksi numerik dari teks, pengodean kategorikal, dan skor pentingnya variabel.

Exercise 1: Mengurangi Dimensionalitas Exercise 2: Menyiapkan panggung Exercise 3: Menyelami struktur Exercise 4: Persentase varians yang dijelaskan Exercise 5: Memvisualisasikan ragam yang dijelaskan Exercise 6: Feature hashing Exercise 7: Menyelidiki bidang pendidikan Exercise 8: Masuk ke matriks Exercise 9: Mengeksplorasi hashing Exercise 10: Memvisualisasikan hashing Exercise 11: Mengodekan data kategorikal menggunakan pembelajaran terawasi Exercise 12: Menyiapkan workflow Anda Exercise 13: Membangun, mengaugmentasi, dan menilai Exercise 14: Menggabungkan model menjadi satu Exercise 15: Kepentingan Variabel Exercise 16: Buat sebuah workflow Exercise 17: Fit dan augment Exercise 18: Prediktor utama yang mana?

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!