Regularisasi manual dengan Lasso

Himpunan data attrition memiliki 30 variabel. Departemen Human Resources meminta Anda membangun model yang mudah diinterpretasikan dan dikelola. Mereka secara khusus ingin mengurangi jumlah fitur agar model Anda semudah mungkin untuk ditafsirkan.

Dalam latihan ini, Anda akan menggunakan Lasso untuk secara otomatis mengurangi jumlah variabel dalam model Anda. Pada percobaan pertama ini, Anda akan memasukkan nilai penalty secara manual dan mengamati perilaku model.

Data train dan test, serta recipe dasar, sudah dimuat untuk Anda.

Latihan ini adalah bagian dari kursus

Rekayasa Fitur di R

Lihat Kursus

Petunjuk latihan

Atur model regresi logistik Anda untuk menggunakan engine glmnet.
Atur argumen untuk menjalankan Lasso dengan penalty 0,06.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

model_lasso_manual <- logistic_reg() %>%

# Set the glmnet engine for your logistic regression model
  ___(___) %>%

# Set arguments to run Lasso with a penalty of 0.06
  set_args(mixture = ___, ___ = ___)

workflow_lasso_manual <- workflow() %>%
  add_model(model_lasso_manual) %>%
  add_recipe(recipe)

fit_lasso_manual <- workflow_lasso_manual %>% 
  fit(train)

tidy(fit_lasso_manual)

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 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

Latihan Saat Ini

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!