Yeo-Johnson dönüşümü

Şirketten ayrılan çalışanlara ait tüm sayısal verileri içeren attrition_num veri kümesini kullanarak, factor olarak kodlanmış ikili bir değişken olan Attrition ile bir çalışanın kalma ihtimalini tahmin edebilen bir model kurmak istiyorsun. Özniteliklerin neredeyse normal dağılması için, Yeo-Johnson dönüşümünü uygulayan bir recipe oluşturacaksın.

attrition_num verisi, lojistik regresyon lr_model, kullanıcı tanımlı class-evaluate() fonksiyonu ve train ile test ayrımları senin için yüklendi.

Bu egzersiz

R'da Feature Engineering

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Hedef dahil tüm sayısal özniteliklere Yeo-Johnson uygulayan bir recipe oluştur.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create a recipe that uses Yeo-Johnson to transform all numeric features
lr_recipe_YJ <- 
  recipe(Attrition ~., data = train) %>%
  ___

lr_workflow_YJ <- workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe_YJ)
lr_fit_YJ <- lr_workflow_YJ %>%
  fit(train)
lr_aug_YJ <-
  lr_fit_YJ %>% augment(test)
lr_aug_YJ %>% class_evaluate(truth = Attrition,
                 estimate = .pred_class,.pred_No)

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!