Crie um workflow de receita e modelo

O pacote tidymodels pode combinar receitas e modelos em workflows. Workflows facilitam a criação de um pipeline de etapas para preparar os dados e treinar modelos. Depois, eles podem ser aplicados facilmente a novos dados, sem precisar redefinir todo o pré-processamento e a construção do modelo. De forma prática, workflows têm uma função fit() que ajusta tanto a receita quanto o modelo aos dados.

Neste exercício, você vai praticar a criação de uma receita e de um modelo e adicioná-los a um workflow, para que fiquem prontos para serem ajustados aos dados. Os conjuntos train e test dos dados de evasão de funcionários do plano de saúde estão disponíveis para você. A variável alvo é Attrition.

Os pacotes tidyverse e tidymodels já foram carregados para você.

Este exercício faz parte do curso

Redução de Dimensionalidade em R

Ver curso

Instruções do exercício

Defina uma receita usando os dados train com step_filter_missing(), step_scale() e step_nzv() para remover NAs, padronizar as variáveis numéricas e remover variáveis de baixa variância, respectivamente. Use um limiar de 0.5 para step_filter_missing().
Defina um modelo de regressão logística usando o mecanismo "glm".
Adicione feature_selection_recipe e lr_model a um workflow chamado attrition_wflow.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

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

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

Editar e executar o código