Box-Cox 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 şirkette kalıp kalmayacağını tahmin edebilen bir model kurmak istiyorsun. Özelliklerin neredeyse normal dağılmasını sağlamak için Box-Cox dönüşümünü uygulayan bir recipe oluşturacaksın.

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

Bu egzersiz

R'da Feature Engineering

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Hedef dahil tüm sayısal özellikleri dönüştürmek için Box-Cox kullanan bir recipe oluştur.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

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

lr_workflow_BC <- workflow() %>%
  add_model(lr_model) %>%
  add_recipe(lr_recipe_BC)
lr_fit_BC <- lr_workflow_BC %>%
  fit(train)
lr_aug_BC <-
  lr_fit_BC %>% augment(test)
lr_aug_BC %>% 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!