Qual è il principale predittore?

Hai ottenuto un'ottima previsione, ma quali sono stati i predittori principali? Come puoi dare un senso al modello per andare oltre i risultati grezzi? I modelli di machine learning sono spesso criticati per la scarsa interpretabilità. Tuttavia, le classifiche di importanza delle variabili fanno luce sulla rilevanza delle feature scelte rispetto all'outcome. Indaghiamo quindi l'importanza delle variabili e partiamo da lì.

Questo esercizio fa parte del corso

Feature Engineering in R

Visualizza corso

Istruzioni dell'esercizio

Crea un grafico di importanza delle variabili.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

lr_fit <- lr_workflow %>%
  fit(test)

lr_aug <- lr_fit %>%
  augment(test)

lr_aug %>% class_evaluate(truth = Attrition,
                          estimate = .pred_class,
                          .pred_No)

# Create a variable importance chart
lr_fit %>%
  extract_fit_parsnip() %>%
  ___(aesthetics = list(fill = "steelblue"), num_features = 5)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Feature Engineering in R

IntermediárioNível de habilidade

4.8+

Inizia il corso gratuitamente

I dati grezzi non sono sempre nella forma migliore per l’analisi. In questo capitolo introduttivo, darai una prima occhiata a come trasformare e creare caratteristiche che migliorano le prestazioni e l’interpretabilità del tuo modello.

Exercise 1: Che cos’è il feature engineering?Exercise 2: Un modello provvisorio Exercise 3: Creare manualmente una feature Exercise 4: Creare nuove feature usando la conoscenza del dominio Exercise 5: Prepara i tuoi dati per l'analisi Exercise 6: Creare un workflow Exercise 7: Aumentare il contenuto informativo dei dati grezzi Exercise 8: Identificare i valori mancanti Exercise 9: Imputazione dei valori mancanti e creazione di variabili dummy Exercise 10: Addestrare e valutare il modello Exercise 11: Prevedere le prenotazioni in hotel

In questo capitolo vedrai che, oltre a trasformare manualmente le caratteristiche, puoi sfruttare gli strumenti del tidyverse per generare nuove variabili in modo programmatico. Scoprirai come questo approccio migliori la riproducibilità dei modelli ed è particolarmente utile quando si lavora con insiemi di dati con molte caratteristiche.

Exercise 1: Perché trasformare le feature esistenti?Exercise 2: Dare un'occhiata ai tuoi dati Exercise 3: Normalizzazione e trasformazione logaritmica Exercise 4: Fit e augment Exercise 5: Personalizza la valutazione del tuo modello Exercise 6: Trasformazioni comuni delle caratteristiche Exercise 7: Trasformazioni comuni Exercise 8: Ricetta semplice Exercise 9: Trasformazione Box-Cox Exercise 10: Trasformazione Yeo-Johnson Exercise 11: Trasformazioni avanzate Exercise 12: Baseline Exercise 13: step_poly()Exercise 14: step_percentile()Exercise 15: Chi resta?

Ora vedrai come i modelli traggono spesso beneficio dalla riduzione della dimensionalità e dall’estrazione di caratteristiche da dati ad alta dimensionalità, inclusa la conversione di testo in valori numerici, la codifica di dati categorici e il ranking del potere predittivo delle variabili. Esplorerai metodi come l’analisi delle componenti principali, la kernel principal component analysis, l’estrazione numerica dal testo, le codifiche categoriche e i punteggi di importanza delle variabili.

Exercise 1: Ridurre la dimensionalità Exercise 2: Preparare il terreno Exercise 3: Esplorare la struttura Exercise 4: Percentuale di varianza spiegata Exercise 5: Visualizzare la varianza spiegata Exercise 6: Feature hashing Exercise 7: Esplorare il campo Education Exercise 8: Dentro la matrice Exercise 9: Esplorare l'hashing Exercise 10: Visualizzare l'hashing Exercise 11: Codificare i dati categorici usando l'apprendimento supervisionato Exercise 12: Impostare il tuo workflow Exercise 13: Adattare, aumentare e valutare Exercise 14: Unire i modelli Exercise 15: Importanza delle variabili Exercise 16: Crea un workflow Exercise 17: Adatta e amplia Exercise 18: Qual è il principale predittore?

Esercizio attuale

Concluderai il corso approfondendo tecniche di feature engineering e di Machine Learning. Inizierai concentrandoti sui problemi legati all’uso di tutte le caratteristiche disponibili in un modello e sull’importanza di individuare quelle irrilevanti e ridondanti, imparando a rimuoverle con metodi embedded come lasso ed elastic-net. Poi esplorerai i metodi di shrinkage come lasso, ridge ed elastic-net, che possono essere usati per regolarizzare i pesi delle caratteristiche o selezionarle azzerando alcuni coefficienti. Infine, terminerai creando un flusso di lavoro end-to-end per il feature engineering e ripassando e mettendo in pratica i concetti e le funzioni appresi in un piccolo progetto.

Exercise 1: Ridurre le feature del modello Exercise 2: Setacciare l'importanza delle variabili Exercise 3: Valutare le prestazioni del modello usando tutti i predittori disponibili Exercise 4: Creare un modello ridotto Exercise 5: Metodi di shrinkage Exercise 6: Regolarizzazione manuale con Lasso Exercise 7: Ottimizzare la penalty Exercise 8: Finalizzazione del modello Exercise 9: Mettere tutto insieme Exercise 10: Prepara e dividi Exercise 11: Preprocess Exercise 12: Modello Exercise 13: Valuta Exercise 14: Congratulazioni!