Yeo-Johnson 変換
会社を離職した従業員に関する数値データのみを含む attrition_num データセットを使って、factor として符号化された二値変数 Attrition を用い、従業員が在籍し続ける可能性を予測するモデルを作成します。特徴量がほぼ正規分布に近づくよう、Yeo-Johnson 変換を実装するレシピを作成しましょう。
attrition_num データ、ロジスティック回帰 lr_model、ユーザー定義の class-evaluate() 関数、そして train と test の分割は読み込まれています。
この演習はコースの一部です
Rで学ぶ特徴量エンジニアリング
演習の手順
- 目的変数を含むすべての数値特徴量に対して、Yeo-Johnson を用いて変換するレシピを作成してください。
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 a recipe that uses Yeo-Johnson to transform all numeric features
lr_recipe_YJ <-
recipe(Attrition ~., data = train) %>%
___
lr_workflow_YJ <- workflow() %>%
add_model(lr_model) %>%
add_recipe(lr_recipe_YJ)
lr_fit_YJ <- lr_workflow_YJ %>%
fit(train)
lr_aug_YJ <-
lr_fit_YJ %>% augment(test)
lr_aug_YJ %>% class_evaluate(truth = Attrition,
estimate = .pred_class,.pred_No)