Normalleştirme ve log dönüşümü

Sana, şirketten ayrılan çalışanlara ait sayısal veriler içeren attrition_num adlı bir veri kümesi verildi. Özellikler arasında Age, DistanceFromHome ve MonthlyRate bulunuyor.

Bu veriyi, bir çalışanın şirkette kalıp kalmayacağını tahmin edebilen bir model kurmak için kullanmak istiyorsun. Bu durum Attrition ile gösteriliyor ve factor olarak kodlanmış ikili bir değişken. Modellemeden önce, olası çarpıklığı (skewness) azaltmak ve ölçek farkları nedeniyle bazı değişkenlerin diğerlerini baskılamasını engellemek istiyorsun.

attrition_num verisi ile train ve test ayrımları senin için yüklendi.

Bu egzersiz

R'da Feature Engineering

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Tüm sayısal yordayıcıları (predictor) normalleştir.
Tüm sayısal özelliklere, bir birim offset ile log dönüşümü uygula.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

lr_model <- logistic_reg()

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

# Normalize all numeric predictors
  ___(all_numeric_predictors()) %>%

# Log-transform all numeric features, with an offset of one
  ___(___, offset = ___)

lr_workflow <- 
  workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe)

lr_workflow

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!