Menelusuri kepentingan variabel

Himpunan data attrition berisi 839 observasi dan 30 prediktor untuk "Attrition." Anda ingin menelaah kompromi antara kinerja model yang menggunakan semua prediktor yang tersedia dibandingkan model tereduksi yang berbasis pada beberapa variabel informatif.

Pada latihan ini, Anda akan melakukan fitting model dan meninjau kepentingan variabel dari model yang telah di-fit. Pada latihan berikutnya, Anda akan menilai kinerja model ini dibandingkan dengan model tereduksi.

Split train dan test serta paket vip() tersedia di lingkungan Anda bersama sebuah model regresi logistik yang telah dideklarasikan sebelumnya.

Latihan ini adalah bagian dari kursus

Rekayasa Fitur di R

Lihat Kursus

Petunjuk latihan

Buat sebuah recipe yang memodelkan Attrition menggunakan semua prediktor.
Fit workflow ke data pelatihan.
Gunakan objek fit_full untuk membuat grafik kepentingan variabel dari model Anda.
Terapkan fungsi extract_fit_parsnip() sebelum vip() agar menyediakan informasi yang diperlukan.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Create a recipe that models Attrition using all the predictors
recipe_full <- ___(___, data = train)

workflow_full <- workflow() %>%
  add_model(model) %>%
  add_recipe(recipe_full)

# Fit the workflow to the training data
fit_full <- ___ %>%
  ___(data = train)

# Use the fit_full object to graph the variable importance of your model. Apply extract_fit_parsnip() function before vip()
fit_full %>% ___() %>%
  ___(aesthetics = list(fill = "steelblue"))

Edit dan Jalankan Kode

Rekayasa Fitur di R

SkillTag.level.intermediateSkillTag.label

4.8+

120 reviews

You’ll wrap up the course by learning about feature engineering and machine learning techniques. You’ll begin by focusing on the problems associated with using all available features in a model and the importance of identifying irrelevant and redundant features and learning to remove these features using embedded methods such as lasso and elastic-net. Next, you’ll explore shrinkage methods such as lasso, ridge, and elastic-net, which can be used to regularize feature weights or select features by setting coefficients to zero. Finally, you’ll finish by focusing on creating an end-to-end feature engineering workflow and reviewing and practicing the previously learned concepts and functions in a small project.

Exercise 1: Mengurangi fitur model Exercise 2: Menelusuri kepentingan variabel

Latihan Saat Ini

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!