변수 중요도 살펴보기
attrition 데이터셋에는 "Attrition"을 위한 839개의 관측치와 30개의 예측 변수가 있습니다. 사용 가능한 모든 예측 변수를 쓰는 모델과, 일부 정보량이 높은 변수만 사용하는 축소 모델 간의 성능 균형을 탐색해 보려 합니다.
이번 연습에서는 모델을 적합하고, 적합된 모델의 변수 중요도를 살펴봅니다. 다음 연습에서는 이 모델과 축소 모델의 성능을 비교해 평가합니다.
train과 test 분할, vip() 패키지, 그리고 미리 선언된 로지스틱 회귀 model이 환경에 준비되어 있습니다.
이 연습은 강의의 일부입니다
R로 배우는 Feature Engineering
연습 안내
- 모든 예측 변수를 사용해
Attrition을 모형화하는 레시피를 만드세요. - 워크플로를 학습 데이터에 적합하세요.
fit_full객체를 사용해 모델의 변수 중요도를 그래프로 나타내세요.vip()전에extract_fit_parsnip()함수를 적용해 필요한 정보를 전달하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Create a recipe that models Attrition using all the predictors
recipe_full <- ___(___, data = train)
workflow_full <- workflow() %>%
add_model(model) %>%
add_recipe(recipe_full)
# Fit the workflow to the training data
fit_full <- ___ %>%
___(data = train)
# Use the fit_full object to graph the variable importance of your model. Apply extract_fit_parsnip() function before vip()
fit_full %>% ___() %>%
___(aesthetics = list(fill = "steelblue"))