Hotelboekingen voorspellen

Je hebt net een baan bij een onderzoeksbureau in de hospitalitysector, en je eerste taak is een model bouwen dat voorspelt of een hotelverblijf kinderen omvat of niet. Om je model te trainen, gebruik je een aangepaste versie van de hotel booking demands-gegevensset van Antonio, Almeida en Nunes (2019). Je beperkt je data tot de volgende features:

features <- c('hotel', 'adults', 
              'children', 'meal',
              'reserved_room_type', 
              'customer_type', 
              'arrival_date')

De data is voor je geladen als hotels, samen met de bijbehorende test- en train-splits, en het model is gedeclareerd als lr_model <- logistic_reg().

Je beoordeelt de modelprestatie op accuracy en de area under the ROC curve (AUC).

Deze oefening maakt deel uit van de cursus

Feature engineering in R

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

lr_recipe <- 
  recipe(children ~., data = train) %>%
# Generate "day of the week", "week" and "month" features

  step_date(arrival_date, features = c(___, ___, ___)) %>%

# Create dummy variables for all nominal predictors
  step_dummy(___)

Code bewerken en uitvoeren

Feature engineering in R

SkillTag.level.intermediateSkillTag.label

4.8+

120 reviews

You’ll wrap up the course by learning about feature engineering and machine learning techniques. You’ll begin by focusing on the problems associated with using all available features in a model and the importance of identifying irrelevant and redundant features and learning to remove these features using embedded methods such as lasso and elastic-net. Next, you’ll explore shrinkage methods such as lasso, ridge, and elastic-net, which can be used to regularize feature weights or select features by setting coefficients to zero. Finally, you’ll finish by focusing on creating an end-to-end feature engineering workflow and reviewing and practicing the previously learned concepts and functions in a small project.

Exercise 1: Reducing the model's features Exercise 2: Sifting through variable importance Exercise 3: Assessing model performance using all available predictors Exercise 4: Building a reduced model Exercise 5: Shrinkage methods Exercise 6: Manual regularization with Lasso Exercise 7: Tuning the penalty Exercise 8: Finalizing the model Exercise 9: Putting it all together Exercise 10: Prep and split Exercise 11: Preprocess Exercise 12: Model Exercise 13: Assess Exercise 14: Congratulations!