Yeo-Johnson 변환
회사에서 퇴사한 직원에 대한 모든 수치형 데이터가 담긴 attrition_num 데이터셋을 사용해, factor로 코딩된 이진 변수 Attrition을 타깃으로 직원이 계속 근무할 가능성을 예측하는 모델을 만들려고 합니다. 피처들의 분포를 정규분포에 가깝게 만들기 위해 Yeo-Johnson 변환을 적용하는 레시피를 생성하겠습니다.
attrition_num 데이터, 로지스틱 회귀 lr_model, 사용자 정의 함수 class-evaluate(), 그리고 train 및 test 분할이 미리 로드되어 있습니다.
이 연습은 강의의 일부입니다
R로 배우는 Feature Engineering
연습 안내
- 타깃을 포함한 모든 수치형 피처에 Yeo-Johnson을 적용하는 레시피를 만드세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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)