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 il corso

Istruzioni dell'esercizio

Crea un grafico di importanza delle variabili.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il 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

Feature Engineering in R

IntermediárioNível de habilidade

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: Reducing the model's features Exercise 2: Sifting through variable importance Exercise 3: Assessing model performance using all available predictors Exercise 4: Building a reduced model Exercise 5: Shrinkage methods Exercise 6: Manual regularization with Lasso Exercise 7: Tuning the penalty Exercise 8: Finalizing the model Exercise 9: Putting it all together Exercise 10: Prep and split Exercise 11: Preprocess Exercise 12: Model Exercise 13: Assess Exercise 14: Congratulations!