Eksik değerleri atama ve kukla değişkenler oluşturma

attrition veri kümesinde eksik değerleri tespit edip bunların tamamen rastgele eksik (MCAR) olduğuna karar verdikten sonra, K En Yakın Komşu (KNN) atamasını kullanmaya karar veriyorsun. Özellik mühendisliği recipe’ını yapılandırırken, tüm ad nominal değişkenlerin için kukla değişkenler oluşturmayı ve ...1 değişkeninin rolünü "ID" olarak güncellemeyi seçiyorsun; böylece modelini etkilemeden, referans için veri kümesinde tutabiliyorsun.

Bu egzersiz

R'da Feature Engineering

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

...1’in rolünü "ID" olarak güncelle.
Verilerin eksik olduğu tüm yordayıcılara değer ata.
Tüm ad nominal yordayıcılar için kukla değişkenler oluştur.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

lr_model <- logistic_reg()

lr_recipe <- 
  recipe(Attrition ~., data = train) %>%

# Update the role of "...1" to "ID"
  ___(...1, new_role = "ID" ) %>%

# Impute values to all predictors where data are missing
  step_impute_knn(___) %>%

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

lr_recipe

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!