Transformacja Yeo-Johnsona
Korzystając ze zbioru danych attrition_num, zawierającego wyłącznie dane numeryczne o pracownikach, którzy odeszli z firmy, chcesz zbudować model przewidujący, czy dany pracownik prawdopodobnie zostanie w firmie. Zmienną docelową jest Attrition – zmienna binarna zakodowana jako factor. Aby cechy miały rozkład zbliżony do normalnego, stworzysz przepis implementujący transformację Yeo-Johnsona.
Zbiór danych attrition_num, model regresji logistycznej lr_model, zdefiniowana przez użytkownika funkcja class-evaluate() oraz podziały na zbiory train i test są już wczytane.
To ćwiczenie jest częścią kursu
Inżynieria cech w R
Instrukcje do ćwiczenia
- Stwórz przepis, który stosuje transformację Yeo-Johnsona do wszystkich cech numerycznych, łącznie ze zmienną docelową.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create a recipe that uses Yeo-Johnson to transform all numeric features
lr_recipe_YJ <-
recipe(Attrition ~., data = train) %>%
___
lr_workflow_YJ <- workflow() %>%
add_model(lr_model) %>%
add_recipe(lr_recipe_YJ)
lr_fit_YJ <- lr_workflow_YJ %>%
fit(train)
lr_aug_YJ <-
lr_fit_YJ %>% augment(test)
lr_aug_YJ %>% class_evaluate(truth = Attrition,
estimate = .pred_class,.pred_No)