1. सीखें
    2. /
  2. पाठ्यक्रम
    3. /
  3. Rによる次元削減
Connected

अभ्यास

レシピとモデルのワークフローを作成する

tidymodels パッケージは、レシピとモデルをワークフローにまとめることができます。ワークフローを使うと、データ準備からモデル学習までの手順をパイプラインとして簡単に構築できます。さらに、ワークフローは新しいデータにも簡単に適用でき、前処理やモデル構築の手順をすべて書き直す必要がありません。便利なことに、ワークフローには fit() 関数があり、レシピとモデルの両方をデータに適合させます。

この演習では、レシピとモデルを作成し、それらをワークフローに追加して、データに適合させる準備をする練習を行います。従業員の医療 attrition データの train セットと test セットが用意されています。目的変数は Attrition です。

tidyverse と tidymodels パッケージは読み込まれています。

निर्देश

100 XP
  • train データを使ってレシピを定義し、step_filter_missing()、step_scale()、step_nzv() を用いて、それぞれ NA の削除、数値特徴量のスケーリング、低分散特徴量の削除を行ってください。step_filter_missing() のしきい値は 0.5 を指定します。
  • "glm" エンジンを用いたロジスティック回帰モデルを定義します。
  • feature_selection_recipe と lr_model を、attrition_wflow という名前のワークフローに追加します。