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。
この演習はコースの一部です
Rによる次元削減
演習の手順
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。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Create recipe
feature_selection_recipe <-
___(___ ~ ., data = ___) %>%
___(___(), threshold = 0.5) %>%
___(___()) %>%
___(___()) %>%
prep()
# Create model
lr_model <- ___() %>%
___("___")
# Add recipe and model to a workflow
attrition_wflow <- ___() %>%
___(___) %>%
___(___)