Otel rezervasyonlarını tahmin etme

Yeni bir konaklama araştırma şirketinde işe başladın ve ilk görevin, bir otel konaklamasında çocuk olup olmayacağını tahmin eden bir model kurmak. Modelini eğitmek için Antonio, Almeida ve Nunes (2019) tarafından oluşturulan otel rezervasyon talebi veri kümesinin değiştirilmiş bir sürümüne güveneceksin. Verilerini şu özelliklerle sınırlıyorsun:

features <- c('hotel', 'adults', 
              'children', 'meal',
              'reserved_room_type', 
              'customer_type', 
              'arrival_date')

Veriler senin için hotels olarak yüklendi; buna karşılık gelen test ve train ayrımları da mevcut ve model lr_model <- logistic_reg() olarak tanımlandı.

Model performansını doğruluk (accuracy) ve ROC eğrisi altındaki alan (AUC) ile değerlendireceksin.

Bu egzersiz

R'da Feature Engineering

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

lr_recipe <- 
  recipe(children ~., data = train) %>%
# Generate "day of the week", "week" and "month" features

  step_date(arrival_date, features = c(___, ___, ___)) %>%

# Create dummy variables for all nominal predictors
  step_dummy(___)

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!