Identyfikowanie brakujących wartości

Rotacja pracowników to poważny problem dla firm – utrata pracownika oznacza nie tylko koszty rekrutacji i szkolenia nowej osoby, ale też trudną do odzyskania wiedzę i kulturę organizacyjną.

Zbiór danych attrition zawiera informacje o rotacji pracowników, w tym takie zmienne jak Age, WorkLifeBalance, DistanceFromHome, StockOptionLevel i 27 innych. Zanim przejdziesz do dalszej analizy, sprawdź, czy w danych nie brakuje żadnych wartości.

Pakiet naniar oraz zbiór danych attrition są już wczytane.

To ćwiczenie jest częścią kursu

Inżynieria cech w R

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Explore missing data on the attrition dataset
___(attrition)

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

Bieżące ćwiczenie

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 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!