Sahneyi hazırlamak

Bilginin çoğunu korurken boyutu azaltmanın mümkün olup olmadığını anlamak için PCA bakış açısından attrition_num veri kümesini keşfedeceksin. Yakın-sıfır varyansa sahip özellikleri filtreleyen, veriyi normalize eden ve PCA uygulayan bir tarif (recipe) oluşturarak başla.

attrition_num veri kümesi senin için zaten yüklendi.

Bu egzersiz

R'da Feature Engineering

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Olası yakın-sıfır varyanslı özellikleri kaldır.
Tüm sayısal veriyi normalize et.
PCA uygula.
Tarifi hazırlayarak çıktı öğelerinin adlarına eriş.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

pc_recipe <- recipe(~., data = attrition_num) %>%

# Remove possible near-zero variance features
  ___(all_numeric()) %>%

# Normalize all numeric data
  ___(___()) %>%

# Apply PCA
  ___(all_numeric())

# Access the names of the output elements by preparing the recipe
pca_output <- ___(___)
names(pca_output)

Kodu Düzenle ve Çalıştır

R'da Feature Engineering

IntermediárioNível de habilidade

4.8+

120 reviews

You’ll wrap up the course by learning about feature engineering and machine learning techniques. You’ll begin by focusing on the problems associated with using all available features in a model and the importance of identifying irrelevant and redundant features and learning to remove these features using embedded methods such as lasso and elastic-net. Next, you’ll explore shrinkage methods such as lasso, ridge, and elastic-net, which can be used to regularize feature weights or select features by setting coefficients to zero. Finally, you’ll finish by focusing on creating an end-to-end feature engineering workflow and reviewing and practicing the previously learned concepts and functions in a small project.

Exercise 1: Reducing the model's features Exercise 2: Sifting through variable importance Exercise 3: Assessing model performance using all available predictors Exercise 4: Building a reduced model Exercise 5: Shrinkage methods Exercise 6: Manual regularization with Lasso Exercise 7: Tuning the penalty Exercise 8: Finalizing the model Exercise 9: Putting it all together Exercise 10: Prep and split Exercise 11: Preprocess Exercise 12: Model Exercise 13: Assess Exercise 14: Congratulations!