Resep dasar

Dengan menggunakan himpunan data attrition_num yang berisi seluruh data numerik tentang karyawan yang telah meninggalkan perusahaan, Anda ingin membangun model yang dapat memprediksi apakah seorang karyawan kemungkinan akan tetap tinggal, menggunakan Attrition, variabel biner yang dikodekan sebagai factor. Untuk memulai, Anda akan mendefinisikan resep dasar yang hanya menetapkan formula model dan data pelatihan, tanpa transformasi lain.

Data attrition_num, model regresi logistik lr_model, fungsi buatan pengguna class-evaluate(), serta pemisahan train dan test telah dimuat untuk Anda.

Latihan ini merupakan bagian dari kursus

Rekayasa Fitur di R

Lihat Kursus

Instruksi latihan

Buat resep dasar yang hanya mendefinisikan formula model.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Create a plain recipe defining only the model formula
lr_recipe_plain <- 
  ___(___ ~., ___ = ___)

lr_workflow_plain <- workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe_plain)
lr_fit_plain <- lr_workflow_plain %>%
  fit(train)
lr_aug_plain <-
  lr_fit_plain %>% augment(test)
lr_aug_plain %>% class_evaluate(truth = Attrition,
                 estimate = .pred_class,.pred_No)

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 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!