Выявление пропущенных значений

Текучесть кадров — серьёзная проблема для любой компании. Уход сотрудника влечёт за собой не только затраты на поиск и обучение нового специалиста, но и потерю неформальных знаний и корпоративной культуры, которые крайне сложно восстановить.

Набор данных attrition содержит сведения о текучести кадров, включая переменные Age, WorkLifeBalance, DistanceFromHome, StockOptionLevel и ещё 27 других. Прежде чем продолжить анализ, необходимо выявить возможные пропущенные значения.

Пакет naniar и набор данных attrition уже загружены для вас.

Это упражнение является частью курса

Конструирование признаков в R

Посмотреть курс

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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

Редактировать и запускать код

Конструирование признаков в R

SkillTag.level.intermediateSkillTag.label

4.8+

150 reviews

В завершение курса вы познакомитесь с техниками конструирования признаков в контексте машинного обучения. Сначала вы сосредоточитесь на проблемах, возникающих при использовании всех доступных признаков в модели, а также на важности выявления нерелевантных и избыточных признаков и их удаления с помощью встроенных методов — lasso и elastic-net. Затем вы изучите методы регуляризации: lasso, ridge и elastic-net, которые позволяют регуляризировать веса признаков или выполнять их отбор, обнуляя соответствующие коэффициенты. В финале вы сосредоточитесь на построении сквозного рабочего процесса конструирования признаков, повторите и закрепите изученные концепции и функции в небольшом проекте.

Exercise 1: Сокращение признаков модели Exercise 2: Анализ важности переменных Exercise 3: Оценка производительности модели с использованием всех доступных предикторов Exercise 4: Построение сокращённой модели Exercise 5: Методы сжатия Exercise 6: Ручная регуляризация с помощью Lasso Exercise 7: Настройка штрафного параметра Exercise 8: Финализация модели Exercise 9: Собираем всё воедино Exercise 10: Подготовка и разбиение Exercise 11: Предобработка Exercise 12: Модель Exercise 13: Оценка Exercise 14: Поздравляем!