Imputazione dei valori mancanti e creazione di variabili dummy

Dopo aver rilevato valori mancanti nell'insieme di dati attrition e aver stabilito che sono mancanti completamente a caso (MCAR), decidi di usare l'imputazione con K Nearest Neighbors (KNN). Durante la configurazione della tua recipe di feature engineering, decidi di creare variabili dummy per tutte le variabili nominali e di aggiornare il ruolo della variabile ...1 a "ID" così da poterla mantenere nell'insieme di dati come riferimento, senza influenzare il tuo modello.

Questo esercizio fa parte del corso

Feature Engineering in R

Visualizza il corso

Istruzioni dell'esercizio

Aggiorna il ruolo di ...1 a "ID".
Imputa i valori per tutti i predictor dove i dati sono mancanti.
Crea variabili dummy per tutti i predictor nominali.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

lr_model <- logistic_reg()

lr_recipe <- 
  recipe(Attrition ~., data = train) %>%

# Update the role of "...1" to "ID"
  ___(...1, new_role = "ID" ) %>%

# Impute values to all predictors where data are missing
  step_impute_knn(___) %>%

# Create dummy variables for all nominal predictors
  ___(all_nominal_predictors())

lr_recipe

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!