Wizualizacja hashowania

Wizualne przedstawienie danych często bywa bardzo pomocne. Obiekt baked to tibble zawierający indeksy hash reprezentujące czynnik EducationField. Możesz przejrzeć cały zbiór danych lub jego fragment jako macierz, aby wykryć wzorce lub zidentyfikować potencjalne błędy.

Pakiet plot.matrix został już dla ciebie załadowany.

To ćwiczenie jest częścią kursu

Inżynieria cech w R

Instrukcje do ćwiczenia

Przekształć obiekt tibble o nazwie baked w macierz.
Zwizualizuj macierz attrition_hash.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Convert the baked tibble to a matrix
attrition_hash <- ___(baked)[1:50,] 

# Plot the attrTheTition_hash matrix
___(attrition_hash, 
     col = c("white","steelblue"), 
     key = NULL,
     border = NA)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Inżynieria cech w R

SkillTag.level.intermediateSkillTag.label

4.8+

Rozpocznij kurs za darmo

Surowe dane nie zawsze są w najlepszej formie do analizy. W tym rozdziale po raz pierwszy zobaczysz, jak przekształcać i tworzyć cechy, które poprawiają wydajność i interpretowalność modelu.

Exercise 1: Czym jest inżynieria cech?Exercise 2: Wstępny model Exercise 3: Ręczne tworzenie cechy Exercise 4: Tworzenie nowych cech z wykorzystaniem wiedzy dziedzinowej Exercise 5: Przygotowanie danych do analizy Exercise 6: Budowanie przepływu pracy Exercise 7: Zwiększanie zawartości informacyjnej surowych danych Exercise 8: Identyfikowanie brakujących wartości Exercise 9: Imputacja brakujących wartości i tworzenie zmiennych dummy Exercise 10: Dopasowanie i ocena modelu Exercise 11: Przewidywanie rezerwacji hotelowych

W tym rozdziale przekonasz się, że oprócz ręcznego przekształcania cech możesz korzystać z narzędzi tidyverse, aby programowo tworzyć nowe zmienne. Zobaczysz, jak takie podejście zwiększa odtwarzalność modeli i jest szczególnie przydatne przy pracy ze zbiorami danych zawierającymi wiele cech.

Exercise 1: Dlaczego warto przekształcać istniejące cechy?Exercise 2: Rzut oka na dane Exercise 3: Normalizacja i transformacja logarytmiczna Exercise 4: Dopasowanie i augmentacja Exercise 5: Dostosuj ocenę swojego modelu Exercise 6: Typowe transformacje cech Exercise 7: Popularne transformacje Exercise 8: Podstawowy przepis Exercise 9: Transformacja Box-Coxa Exercise 10: Transformacja Yeo-Johnsona Exercise 11: Zaawansowane przekształcenia Exercise 12: Punkt odniesienia Exercise 13: step_poly()Exercise 14: step_percentile()Exercise 15: Kto zostaje?

Poznasz teraz metody, dzięki którym modele często zyskują na redukcji wymiarowości i wyodrębnianiu cech z danych wysokowymiarowych – w tym konwersji danych tekstowych na wartości liczbowe, kodowaniu danych kategorycznych i ocenie predykcyjnej siły zmiennych. Omówisz metody takie jak analiza głównych składowych (PCA), jądrowa analiza głównych składowych (KPCA), wyodrębnianie wartości liczbowych z tekstu, kodowanie kategorii oraz miary ważności zmiennych.

Exercise 1: Redukcja wymiarowości Exercise 2: Przygotowanie przepisu Exercise 3: Analiza struktury Exercise 4: Procent wyjaśnionej wariancji Exercise 5: Wizualizacja wyjaśnionej wariancji Exercise 6: Haszowanie cech Exercise 7: Analiza pola wykształcenia Exercise 8: W głąb macierzy Exercise 9: Eksploracja hashowania Exercise 10: Wizualizacja hashowania

Bieżące ćwiczenie

Exercise 11: Kodowanie danych kategorycznych z użyciem uczenia nadzorowanego Exercise 12: Konfigurowanie przepływu pracy Exercise 13: Dopasowywanie, augmentacja i ocena modelu Exercise 14: Łączenie modeli w całość Exercise 15: Ważność zmiennych Exercise 16: Tworzenie przepływu pracy Exercise 17: Dopasowanie i augmentacja Exercise 18: Która cecha jest najważniejszym predyktorem?

Kurs zakończysz, zgłębiając techniki inżynierii cech i uczenia maszynowego. Na początku skupisz się na problemach związanych z używaniem wszystkich dostępnych cech w modelu oraz na znaczeniu identyfikowania cech nieistotnych i redundantnych – nauczysz się je usuwać metodami osadzonymi, takimi jak lasso i elastic-net. Następnie zbadasz metody regularyzacji, takie jak lasso, grzbietowa i elastic-net, które pozwalają regulować wagi cech lub dokonywać ich selekcji przez wyzerowanie współczynników. Na koniec skupisz się na budowaniu kompletnego przepływu pracy inżynierii cech i utrwalisz poznane wcześniej pojęcia oraz funkcje w małym projekcie.

Exercise 1: Redukcja cech modelu Exercise 2: Analiza ważności zmiennych Exercise 3: Ocena wydajności modelu z wykorzystaniem wszystkich dostępnych predyktorów Exercise 4: Budowanie zredukowanego modelu Exercise 5: Metody kurczenia Exercise 6: Ręczna regularyzacja metodą Lasso Exercise 7: Dostrajanie kary Exercise 8: Finalizowanie modelu Exercise 9: Składamy wszystko w całość Exercise 10: Przygotowanie i podział danych Exercise 11: Przetwarzanie wstępne Exercise 12: Model Exercise 13: Ocena Exercise 14: Gratulacje!