Yeo-Johnson-transformation
Med datamängden attrition_num, som innehåller numeriska data om anställda som har lämnat företaget, vill du bygga en modell som kan förutsäga om en anställd troligtvis kommer att stanna kvar. Som målvariabel används Attrition, en binär variabel kodad som en factor. För att särdragen ska bete sig approximativt normalfördelade skapar du ett recept som implementerar Yeo-Johnson-transformationen.
Datamängden attrition_num, den logistiska regressionsmodellen lr_model, den användardefinierade funktionen class-evaluate() samt uppdelningarna train och test är inlästa åt dig.
Den här övningen är en del av kursen
Feature Engineering i R
Övningsinstruktioner
- Skapa ett recept som använder Yeo-Johnson för att transformera alla numeriska särdrag, inklusive målet.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)