НачатьНачать бесплатно

Преобразование Йео–Джонсона

Вы работаете с набором данных attrition_num, который содержит числовые сведения о сотрудниках, покинувших компанию. Ваша цель — построить модель, предсказывающую вероятность того, что сотрудник останется в компании. В качестве целевой переменной используется Attrition — бинарная переменная, закодированная как factor. Чтобы привести распределение признаков к виду, близкому к нормальному, создайте рецепт с применением преобразования Йео–Джонсона.

Набор данных attrition_num, модель логистической регрессии lr_model, пользовательская функция class-evaluate(), а также разбивки train и test уже загружены.

Это упражнение является частью курса

Конструирование признаков в R

Посмотреть курс

Инструкции к упражнению

  • Создайте рецепт, который применяет преобразование Йео–Джонсона ко всем числовым признакам, включая целевой.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код