Normalizzazione e trasformazione logaritmica

Ti viene fornito un insieme di dati, attrition_num, con dati numerici su dipendenti che hanno lasciato l'azienda. Le feature includono Age, DistanceFromHome e MonthlyRate.

Vuoi usare questi dati per costruire un modello in grado di prevedere se un dipendente probabilmente resterà, indicato da Attrition, una variabile binaria codificata come factor. In preparazione al modeling, vuoi ridurre una possibile asimmetria e impedire che alcune variabili pesino più di altre a causa di differenze di scala.

I dati attrition_num e gli split train e test sono già caricati per te.

Questo esercizio fa parte del corso

Feature Engineering in R

Visualizza il corso

Istruzioni dell'esercizio

Normalizza tutti i predittori numerici.
Applica la trasformazione logaritmica a tutte le feature numeriche, con un offset pari a uno.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

lr_model <- logistic_reg()

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

# Normalize all numeric predictors
  ___(all_numeric_predictors()) %>%

# Log-transform all numeric features, with an offset of one
  ___(___, offset = ___)

lr_workflow <- 
  workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe)

lr_workflow

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!