BaşlayınÜcretsiz başlayın

Değişken önemini süzmek

attrition veri kümesi, "Attrition" için 839 gözlem ve 30 yordayıcı içerir. Tüm mevcut yordayıcıları kullanan bir modelin performansı ile yalnızca birkaç bilgilendirici değişkene dayalı küçültülmüş bir model arasındaki ödünleşimi incelemek istiyorsun.

Bu egzersizde bir model kuracak ve bu modelin değişken önemine bakacaksın. Sonraki egzersizde, bu modeli kullanmanın performansını küçültülmüş bir modelle karşılaştırarak değerlendireceksin.

train ve test bölmeleri ile vip() paketi, önceden tanımlanmış lojistik regresyon model nesnesiyle birlikte çalışma ortamında hazır.

Bu egzersiz, kursun bir parçasıdır

R'da Feature Engineering

Kursa Göz Atın

Egzersiz talimatları

  • Tüm yordayıcıları kullanarak Attrition için bir recipe oluştur.
  • Workflow'u eğitim verisine uygula.
  • Modelinin değişken önemini görselleştirmek için fit_full nesnesini kullan.
  • vip() çağrısından önce extract_fit_parsnip() fonksiyonunu uygulayarak gerekli bilgileri aktar.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create a recipe that models Attrition using all the predictors
recipe_full <- ___(___, data = train)

workflow_full <- workflow() %>%
  add_model(model) %>%
  add_recipe(recipe_full)

# Fit the workflow to the training data
fit_full <- ___ %>%
  ___(data = train)

# Use the fit_full object to graph the variable importance of your model. Apply extract_fit_parsnip() function before vip()
fit_full %>% ___() %>%
  ___(aesthetics = list(fill = "steelblue"))
Kodu Düzenle ve Çalıştır