Skapa ett recept-modell-workflow

Paketet tidymodels kan kombinera recept och modeller i workflows. Workflows gör det enkelt att bygga en pipeline med steg för att förbereda data och träna modeller. De kan sedan tillämpas på nya data utan att du behöver definiera om alla förbehandlings- och modellbyggnadssteg. Smidigt nog har workflows en fit()-funktion som anpassar både receptet och modellen till datan.

I den här övningen får du öva på att skapa ett recept och en modell och lägga till dem i ett workflow, så att de är redo att anpassas till datan. Tränings- och testmängderna (train och test) från datamängden om personalens sjukvårdsavgång är tillgängliga för dig. Målvariabeln är Attrition.

Paketen tidyverse och tidymodels har redan laddats in.

Den här övningen är en del av kursen

Dimensionsreduktion i R

Visa kurs

Övningsinstruktioner

Definiera ett recept med train-datan som inkluderar step_filter_missing(), step_scale() och step_nzv() för att ta bort NA-värden, skala de numeriska särdragen respektive ta bort särdrag med låg varians. Använd ett tröskelvärde på 0,5 för step_filter_missing().
Definiera en logistisk regressionsmodell med motorn "glm".
Lägg till feature_selection_recipe och lr_model i ett workflow med namnet attrition_wflow.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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

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

Redigera och kör kod