Box-Cox-transformatie

Met de gegevensset attrition_num met alle numerieke gegevens over medewerkers die het bedrijf hebben verlaten, wil je een model bouwen dat kan voorspellen of een medewerker waarschijnlijk blijft, met Attrition, een binaire variabele gecodeerd als een factor. Om de features bijna normaal verdeeld te krijgen, maak je een recipe die de Box-Cox-transformatie toepast.

De attrition_num-data, de logistische regressie lr_model, de door de gebruiker gedefinieerde functie class-evaluate() en de train- en test-splits zijn voor je geladen.

Deze oefening maakt deel uit van de cursus

Feature engineering in R

Cursus bekijken

Oefeninstructies

Maak een recipe die Box-Cox gebruikt om alle numerieke features te transformeren, inclusief de target.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create a recipe that uses Box-Cox to transform all numeric features
lr_recipe_BC <- 
  recipe(Attrition ~., data = train) %>%
  ___(___)

lr_workflow_BC <- workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe_BC)
lr_fit_BC <- lr_workflow_BC %>%
  fit(train)
lr_aug_BC <-
  lr_fit_BC %>% augment(test)
lr_aug_BC %>% class_evaluate(truth = Attrition,
                 estimate = .pred_class,.pred_No)

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!