or
Den här övningen är en del av kursen
Rådata är inte alltid i sitt bästa skick för analys. I det här inledande kapitlet får du en första inblick i hur du transformerar och skapar särdrag som förbättrar din modells prestanda och tolkbarhet.
I det här kapitlet lär du dig att det, utöver att manuellt transformera särdrag, går att använda verktyg från tidyverse för att konstruera nya variabler programmatiskt. Du utforskar hur det här tillvägagångssättet förbättrar reproducerbarheten hos dina modeller och är särskilt användbart när du hanterar datamängder med många särdrag.
Nu lär du dig hur modeller ofta drar nytta av att minska dimensionaliteten och extrahera särdrag från högdimensionella data, till exempel genom att konvertera textdata till numeriska värden, koda kategoriska data och rangordna variablers prediktiva förmåga. Du utforskar metoder som principalkomponentanalys, kernel-principalkomponentanalys, numerisk extraktion från text, kategoriska kodningar och variabelviktspoäng.
Du avslutar kursen med att lära dig om feature engineering och maskininlärningstekniker. Du börjar med att fokusera på problemen med att använda alla tillgängliga särdrag i en modell, samt vikten av att identifiera irrelevanta och redundanta särdrag och lära dig att ta bort dem med inbyggda metoder som lasso och elastic-net. Därefter utforskar du krympningsmetoder som lasso, ridge och elastic-net, vilka kan användas för att regularisera särdragsvikter eller välja särdrag genom att sätta koefficienter till noll. Slutligen fokuserar du på att skapa ett heltäckande arbetsflöde för feature engineering och repetera och öva de tidigare inlärda begreppen och funktionerna i ett mindre projekt.
Aktuell övning