Bir workflow oluşturma

Verilerin analiz için hazır olduğuna göre, geç gelip gelmeyeceklerini tahmin etmek için bir logistic_model() tanımlayacaksın.

Analiz ve hata ayıklamada referans olarak kalsın diye flight değişkenine "ID" rolü atıyorsun. date değişkeninden, tatil etkisini açıkça modellemek için yeni özellikler oluşturacak ve factors değişkenlerini kukla (dummy) değişkenler olarak temsil edeceksin.

Model ve recipe()'i workflow() kullanarak birlikte paketlemek, sonraki uyarlama veya tahminlerde tutarlı feature engineering adımlarının uygulanmasını sağlamaya yardımcı olur.

Bu egzersiz

R'da Feature Engineering

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

flight için "ID" rolü ata.
Modeli ve tarifi (recipe) bir workflow nesnesinde paketle.
lr_workflow'u test verisine uydur.
Uydurulmuş workflow'u düzenle (tidy).

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

lr_model <- logistic_reg()

# Assign an "ID" role to flight
lr_recipe <- recipe(arrival ~., data = train) %>% update_role(flight, new_role = ___) %>%
  step_holiday(date, holidays = timeDate::listHolidays("US")) %>% step_dummy(all_nominal_predictors())

# Bundle the model and the recipe into a workflow object
lr_workflow <- workflow() %>% add_model(___) %>% add_recipe(___)
lr_workflow

# Fit lr_workflow workflow to the test data  
lr_fit <- lr_workflow %>% ___(data = test)

# Tidy the fitted workflow  
tidy(___)

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!