Eğitim alanını inceleme

attrition veri kümesinde Education field bir özelliktir. Bunu churn tahmini için bir öngörücü olarak kullanmak istiyorsun. Önce faktör değerlerine bir göz at. Veri kümesi zaten yüklü.

Bu egzersiz, kursun bir parçasıdır

R'da Feature Engineering

Kursa Göz Atın

Egzersiz talimatları

attrition veri kümesinden EducationField sütununu seç.
EducationField içindeki faktör değerlerinin sıklık tablosunu yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

attrition %>%
# Select education field
  ___(___) %>%

# Print a frequency table of factor values
  ___

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

R'da Feature Engineering

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Ham veriler analiz için her zaman ideal biçimde gelmez. Bu açılış bölümünde, modelinin performansını ve yorumlanabilirliğini artıran özellikleri nasıl dönüştürüp oluşturabileceğine ilk bakışı atacağız.

Exercise 1: Özellik mühendisliği nedir?Exercise 2: Geçici bir model Exercise 3: Bir özelliği elle geliştirme Exercise 4: Alan bilgisini kullanarak yeni özellikler oluşturma Exercise 5: Analiz için verini hazırlama Exercise 6: Bir workflow oluşturma Exercise 7: Ham verinin bilgi içeriğini artırma Exercise 8: Eksik değerleri belirleme Exercise 9: Eksik değerleri atama ve kukla değişkenler oluşturma Exercise 10: Modeli eğitme ve değerlendirme Exercise 11: Otel rezervasyonlarını tahmin etme

Bu bölümde, özellikleri elle dönüştürmenin ötesinde, tidyverse araçlarını kullanarak programatik olarak yeni değişkenler türetebileceğini öğreneceksin. Bu yaklaşımın modellerinin yeniden üretilebilirliğini nasıl geliştirdiğini ve özellikle çok sayıda özelliğe sahip veri kümelerini işlerken neden faydalı olduğunu keşfedeceksin.

Exercise 1: Mevcut özellikleri neden dönüştürmelisin?Exercise 2: Verine hızlı bir bakış Exercise 3: Normalleştirme ve log dönüşümü Exercise 4: Fit ve augment Exercise 5: Model değerlendirmeni özelleştir Exercise 6: Yaygın özellik dönüşümleri Exercise 7: Yaygın dönüşümler Exercise 8: Düz recipe Exercise 9: Box-Cox dönüşümü Exercise 10: Yeo-Johnson dönüşümü Exercise 11: İleri düzey dönüşümler Exercise 12: Temel seviye Exercise 13: step_poly()Exercise 14: step_percentile()Exercise 15: Kim kalıyor?

Şimdi, modellerin sıklıkla boyutu azaltmaktan ve yüksek boyutlu veriden özellik çıkarmaktan nasıl yarar sağladığını öğreneceksin; buna metin verisini sayısal değerlere dönüştürme, kategorik veriyi kodlama ve değişkenlerin kestirim gücünü derecelendirme de dahildir. Başlıca yöntemler olarak temel bileşenler analizi, çekirdek temel bileşenler analizi, metinden sayısal çıkarım, kategorik kodlamalar ve değişken önem skorlarını inceleyeceksin.

Exercise 1: Boyut indirgeme Exercise 2: Sahneyi hazırlamak Exercise 3: Yapının derinlerine inmek Exercise 4: Açıklanan varyans yüzdesi Exercise 5: Açıklanan varyansı görselleştirme Exercise 6: Özellik karması Exercise 7: Eğitim alanını inceleme

Geçerli egzersiz

Exercise 8: Matrise doğru Exercise 9: Hashing'i keşfetme Exercise 10: Hashing’i görselleştirme Exercise 11: Denetimli öğrenme kullanarak kategorik verileri kodlama Exercise 12: Workflow'unu kurma Exercise 13: Uydurma, zenginleştirme ve değerlendirme Exercise 14: Modelleri birleştirme Exercise 15: Değişken Önemi Exercise 16: Bir iş akışı oluştur Exercise 17: Uydur ve zenginleştir Exercise 18: Ana yordayıcı hangisi?

Kursu, feature engineering ve Machine Learning tekniklerini öğrenerek tamamlayacaksın. Önce, bir modelde mevcut tüm özellikleri kullanmanın yol açtığı sorunlara, ilgisiz ve yinelenen özellikleri belirlemenin önemine ve bu özellikleri lasso ve elastic-net gibi gömülü yöntemlerle kaldırmayı öğrenmeye odaklanacaksın. Ardından, katsayıları sıfıra çekerek özellik ağırlıklarını düzenlemek veya özellik seçimi yapmak için kullanılabilen lasso, ridge ve elastic-net gibi küçültme yöntemlerini keşfedeceksin. Son olarak, uçtan uca bir feature engineering iş akışı oluşturup küçük bir projede önceki kavram ve fonksiyonları gözden geçirip uygulayarak bitireceksin.

Exercise 1: Modelin özelliklerini azaltma Exercise 2: Değişken önemini süzmek Exercise 3: Tüm mevcut yordayıcıları kullanarak model performansını değerlendirme Exercise 4: Azaltılmış bir model kurma Exercise 5: Daralma (shrinkage) yöntemleri Exercise 6: Lasso ile manuel düzenlileştirme Exercise 7: Ceza değerini ayarlama Exercise 8: Modeli sonlandırma Exercise 9: Hepsini bir araya getirmek Exercise 10: Hazırla ve böl Exercise 11: Ön işleme Exercise 12: Model Exercise 13: Değerlendir Exercise 14: Tebrikler!