Tworzenie przepływu pracy z recepturą i modelem

Pakiet tidymodels pozwala łączyć receptury i modele w przepływy pracy (workflows). Dzięki temu łatwo zbudujesz potok kroków do przygotowania danych i trenowania modeli. Gotowy przepływ pracy możesz następnie zastosować do nowych danych – bez konieczności ponownego definiowania wszystkich kroków przetwarzania i budowy modelu. Co ważne, workflows udostępniają funkcję fit(), która dopasowuje jednocześnie recepturę i model do danych.

W tym ćwiczeniu przećwiczysz tworzenie receptury i modelu oraz dodawanie ich do workflow, tak aby były gotowe do dopasowania do danych. Do dyspozycji masz zbiory train i test z danych o rotacji pracowników działu ochrony zdrowia. Zmienna docelowa to Attrition.

Pakiety tidyverse i tidymodels zostały już wczytane.

To ćwiczenie jest częścią kursu

Redukcja wymiarowości w R

Zobacz kurs

Instrukcje do ćwiczenia

Zdefiniuj recepturę na podstawie danych train, używając kroków step_filter_missing(), step_scale() i step_nzv(), aby odpowiednio: usunąć braki danych, przeskalować cechy numeryczne i usunąć cechy o niskiej wariancji. Użyj progu 0,5 dla step_filter_missing().
Zdefiniuj model regresji logistycznej z silnikiem "glm".
Dodaj feature_selection_recipe i lr_model do workflow o nazwie attrition_wflow.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create recipe
feature_selection_recipe <- 
  ___(___ ~ ., data = ___) %>% 
  ___(___(), threshold = 0.5) %>% 
  ___(___()) %>% 
  ___(___()) %>% 
  prep()
  
# Create model
lr_model <- ___() %>% 
  ___("___")

# Add recipe and model to a workflow
attrition_wflow <- ___() %>% 
  ___(___) %>% 
  ___(___)

Edytuj i uruchom kod