Normaliseren en log-transformeren

Je krijgt een gegevensset, attrition_num, met numerieke gegevens over werknemers die het bedrijf hebben verlaten. Kenmerken zijn onder andere Age, DistanceFromHome en MonthlyRate.

Je wilt deze gegevens gebruiken om een model te bouwen dat kan voorspellen of een werknemer waarschijnlijk blijft, aangeduid met Attrition, een binaire variabele gecodeerd als een factor. Ter voorbereiding op het modelleren wil je mogelijke scheefheid verminderen en voorkomen dat sommige variabelen zwaarder gaan wegen door verschillen in schaal.

De gegevens attrition_num en de train- en test-splits zijn al voor je geladen.

Deze oefening maakt deel uit van de cursus

Feature engineering in R

Cursus bekijken

Oefeninstructies

Normaliseer alle numerieke predictoren.
Pas een log-transformatie toe op alle numerieke features, met een offset van één.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

lr_model <- logistic_reg()

lr_recipe <- 
  recipe(Attrition~., data = train) %>%

# Normalize all numeric predictors
  ___(all_numeric_predictors()) %>%

# Log-transform all numeric features, with an offset of one
  ___(___, offset = ___)

lr_workflow <- 
  workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe)

lr_workflow

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!