Создание рабочего процесса: рецепт и модель

Пакет tidymodels позволяет объединять рецепты и модели в рабочие процессы. Рабочие процессы упрощают создание пайплайна шагов для подготовки данных и обучения моделей. Их удобно применять к новым данным — не нужно заново определять все этапы предобработки и построения модели. Рабочие процессы поддерживают функцию fit(), которая одновременно подгоняет рецепт и модель к данным.

В этом упражнении вы потренируетесь создавать рецепт и модель, а затем добавлять их в рабочий процесс, чтобы подготовить всё к обучению. Обучающая (train) и тестовая (test) выборки данных об уходе сотрудников по медицинским показаниям уже доступны для работы. Целевая переменная — Attrition.

Пакеты tidyverse и tidymodels уже загружены.

Это упражнение является частью курса

Снижение размерности в R

Посмотреть курс

Инструкции к упражнению

Определите рецепт на основе данных train, включив шаги step_filter_missing(), step_scale() и step_nzv() для удаления пропущенных значений, масштабирования числовых признаков и удаления признаков с низкой дисперсией соответственно. Для step_filter_missing() используйте порог 0,5.
Определите модель логистической регрессии с движком "glm".
Добавьте feature_selection_recipe и lr_model в рабочий процесс с именем attrition_wflow.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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

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

Редактировать и запускать код