Crea un workflow recipe-modello

Il pacchetto tidymodels può combinare recipe e modelli in workflow. I workflow semplificano la creazione di una pipeline di passaggi per preparare i dati e addestrare i modelli. I workflow possono poi essere applicati facilmente a nuovi dati, senza dover ridefinire tutti i passaggi di preprocessamento e di costruzione del modello. Comodamente, i workflow hanno una funzione fit() che adatta sia la recipe sia il modello ai dati.

In questo esercizio, farai pratica nel creare una recipe e un modello e nell'aggiungerli a un workflow, così saranno pronti per essere adattati ai dati. I set train e test dei dati di abbandono dell'assistenza sanitaria dei dipendenti sono a tua disposizione. La variabile target è Attrition.

I pacchetti tidyverse e tidymodels sono già stati caricati per te.

Questo esercizio fa parte del corso

Riduzione della dimensionalità in R

Visualizza il corso

Istruzioni dell'esercizio

Definisci una recipe usando i dati train con step_filter_missing(), step_scale() e step_nzv() per rimuovere gli NA, scalare le caratteristiche numeriche e rimuovere le caratteristiche a bassa varianza, rispettivamente. Usa una soglia di 0.5 per step_filter_missing().
Definisci un modello di regressione logistica usando il motore "glm".
Aggiungi feature_selection_recipe e lr_model a un workflow chiamato attrition_wflow.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Create recipe
feature_selection_recipe <- 
  ___(___ ~ ., data = ___) %>% 
  ___(___(), threshold = 0.5) %>% 
  ___(___()) %>% 
  ___(___()) %>% 
  prep()
  
# Create model
lr_model <- ___() %>% 
  ___("___")

# Add recipe and model to a workflow
attrition_wflow <- ___() %>% 
  ___(___) %>% 
  ___(___)

Modifica ed esegui il codice