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 merupakan bagian dari kursus

Rekayasa Fitur di R

Lihat Kursus

Instruksi latihan

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

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

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+

142 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

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!