Kom igångKom igång gratis

Manuell regularisering med Lasso

Datamängden attrition innehåller 30 variabler. Din HR-avdelning ber dig bygga en modell som är enkel att tolka och underhålla. De vill framför allt minska antalet särdrag så att modellen blir så tolkbar som möjligt.

I den här övningen använder du Lasso för att automatiskt minska antalet variabler i din modell. I det här första försöket anger du ett strafftermsvärde manuellt och observerar hur modellen beter sig.

Tränings- och testdata, train och test, samt ett grundläggande recipe-objekt är redan inlästa.

Den här övningen är en del av kursen

Feature Engineering i R

Visa kurs

Övningsinstruktioner

  • Ange att din logistiska regressionsmodell ska använda beräkningsbiblioteket glmnet.
  • Ställ in argumenten för att köra Lasso med ett strafftermsvärde (penalty) på 0,06.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

model_lasso_manual <- logistic_reg() %>%

# Set the glmnet engine for your logistic regression model
  ___(___) %>%

# Set arguments to run Lasso with a penalty of 0.06
  set_args(mixture = ___, ___ = ___)

workflow_lasso_manual <- workflow() %>%
  add_model(model_lasso_manual) %>%
  add_recipe(recipe)

fit_lasso_manual <- workflow_lasso_manual %>% 
  fit(train)

tidy(fit_lasso_manual)
Redigera och kör kod