สำรวจข้อมูลเบื้องต้น

โหลดชุดข้อมูล attrition_num ไว้ให้แล้ว ลองเขียนโค้ดใน console เพื่อตอบคำถามต่อไปนี้: (1) ชุดข้อมูลมีกี่ observation? (2) มี numeric predictor กี่ตัว? และ (3) มีตัวแปรประเภท factor กี่ตัว?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Feature Engineering in R

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Feature Engineering in R

SkillTag.level.intermediateSkillTag.label

4.8+

เริ่มคอร์สฟรี

ข้อมูลดิบไม่ได้อยู่ในรูปแบบที่เหมาะสมสำหรับการวิเคราะห์เสมอไป ในบทเปิดนี้ คุณจะได้รู้จักกับวิธีการแปลงและสร้างฟีเจอร์ที่ช่วยเพิ่มประสิทธิภาพและความสามารถในการตีความผลของโมเดล

Exercise 1: Feature Engineering คืออะไร?Exercise 2: โมเดลเบื้องต้น Exercise 3: การสร้าง Feature ด้วยตนเอง Exercise 4: การสร้างฟีเจอร์ใหม่โดยใช้ความรู้เฉพาะด้าน Exercise 5: เตรียมข้อมูลสำหรับการวิเคราะห์Exercise 6: การสร้าง Workflow Exercise 7: การเพิ่มคุณค่าทางสารสนเทศให้กับข้อมูลดิบ Exercise 8: การระบุค่าที่หายไป Exercise 9: การ impute ค่าที่หายไปและการสร้าง dummy variable Exercise 10: การ Fit และประเมินโมเดล Exercise 11: การพยากรณ์การจองโรงแรม

ในบทนี้ คุณจะได้เรียนรู้ว่า นอกจากการแปลงฟีเจอร์ด้วยตนเองแล้ว ยังสามารถใช้เครื่องมือจาก tidyverse เพื่อสร้างตัวแปรใหม่แบบอัตโนมัติได้อีกด้วย จะได้สำรวจว่าแนวทางนี้ช่วยเพิ่มความสามารถในการทำซ้ำของโมเดล และมีประโยชน์อย่างยิ่งเมื่อต้องจัดการกับชุดข้อมูลที่มีฟีเจอร์จำนวนมาก

Exercise 1: เหตุใดจึงต้องแปลงฟีเจอร์ที่มีอยู่?Exercise 2: สำรวจข้อมูลเบื้องต้น

แบบฝึกหัดปัจจุบัน

Exercise 3: การ Normalize และแปลงด้วย Log Exercise 4: Fit และ Augment Exercise 5: ปรับแต่งการประเมินโมเดลของคุณ Exercise 6: การแปลงฟีเจอร์ที่ใช้บ่อย Exercise 7: การแปลงค่าทั่วไป Exercise 8: Recipe เบื้องต้น Exercise 9: การแปลงค่าแบบ Box-Cox Exercise 10: การแปลงค่าแบบ Yeo-Johnson Exercise 11: การแปลงขั้นสูง Exercise 12: Baseline Exercise 13: step_poly()Exercise 14: step_percentile()Exercise 15: ใครจะอยู่ต่อ?

คุณจะได้เรียนรู้ว่าโมเดลมักได้ประโยชน์จากการลดมิติข้อมูลและการแยกฟีเจอร์จากข้อมูลที่มีมิติสูง ซึ่งรวมถึงการแปลงข้อมูลข้อความเป็นตัวเลข การ encoding ข้อมูลเชิงกลุ่ม และการจัดอันดับความสามารถในการพยากรณ์ของตัวแปร จะได้สำรวจวิธีการต่าง ๆ เช่น principal component analysis, kernel principal component analysis, การแยกค่าตัวเลขจากข้อความ, categorical encodings และคะแนนความสำคัญของตัวแปร

Exercise 1: การลดมิติข้อมูล Exercise 2: เตรียม Recipe ให้พร้อม Exercise 3: เจาะลึกโครงสร้างข้อมูล Exercise 4: เปอร์เซ็นต์ความแปรปรวนที่อธิบายได้Exercise 5: การแสดงภาพความแปรปรวนที่อธิบายได้Exercise 6: Feature hashing Exercise 7: สำรวจฟิลด์ Education Exercise 8: เข้าสู่เมทริกซ์Exercise 9: สำรวจการแฮช Exercise 10: การแสดงผล Hashing ด้วยภาพ Exercise 11: การเข้ารหัสข้อมูลกลุ่มด้วยการเรียนรู้แบบมีผู้สอน Exercise 12: ตั้งค่า Workflow Exercise 13: การ Fit, Augment, และประเมินโมเดล Exercise 14: รวมโมเดลเข้าด้วยกัน Exercise 15: ความสำคัญของตัวแปร Exercise 16: สร้าง Workflow Exercise 17: Fit และ Augment Exercise 18: ตัวทำนายหลักคืออะไร?

คุณจะสรุปบทเรียนด้วยการเรียนรู้เทคนิค feature engineering และ machine learning โดยเริ่มจากการทำความเข้าใจปัญหาที่เกิดจากการใช้ฟีเจอร์ทั้งหมดที่มีในโมเดล รวมถึงความสำคัญของการระบุฟีเจอร์ที่ไม่เกี่ยวข้องและซ้ำซ้อน และการเรียนรู้วิธีตัดฟีเจอร์เหล่านั้นออกโดยใช้ embedded methods เช่น lasso และ elastic-net จากนั้นจะสำรวจ shrinkage methods เช่น lasso, ridge และ elastic-net ซึ่งใช้สำหรับ regularize น้ำหนักของฟีเจอร์หรือเลือกฟีเจอร์โดยการตั้งค่าสัมประสิทธิ์เป็นศูนย์ สุดท้าย จะจบลงด้วยการสร้าง workflow ของ feature engineering แบบครบวงจร พร้อมทบทวนและฝึกฝนแนวคิดและฟังก์ชันที่เรียนรู้มาในโปรเจกต์ขนาดเล็ก

Exercise 1: การลดจำนวนฟีเจอร์ของโมเดล Exercise 2: คัดกรองความสำคัญของตัวแปร Exercise 3: ประเมินประสิทธิภาพโมเดลโดยใช้ตัวทำนายทั้งหมด Exercise 4: สร้างโมเดลที่ลดฟีเจอร์แล้ว Exercise 5: วิธีการ Shrinkage Exercise 6: การ Regularization ด้วย Lasso แบบกำหนดเอง Exercise 7: การปรับค่า penalty Exercise 8: การกำหนดโมเดลขั้นสุดท้าย Exercise 9: รวบรวมทุกอย่างเข้าด้วยกัน Exercise 10: เตรียมและแบ่งข้อมูล Exercise 11: การประมวลผลข้อมูลเบื้องต้น Exercise 12: โมเดล Exercise 13: ประเมินผล Exercise 14: ยินดีด้วย!