Os pacotes tidymodels oferecem uma forma melhor de filtrar features com variância nula e quase nula usando as funções step_zv() e step_nzv(), respectivamente. Essas etapas da receita identificam features de baixa variância examinando o número de valores únicos e a razão entre a frequência dos valores mais comuns em cada feature. Essa abordagem é mais robusta do que o simples corte por variância que usamos anteriormente.

Além disso, você vai usar a etapa step_scale() para normalizar a variância das features. Lembre-se: é sempre uma boa prática normalizar os dados para tornar as variâncias entre as features comparáveis.

O house_sales_df está disponível para você usar. A variável alvo é price. Os pacotes tidyverse e tidymodels também já foram carregados para você.

Selecionando com base em valores ausentes

Create Your Free Account