Xác định giá trị khuyết

Tỷ lệ nghỉ việc (attrition) là một vấn đề nghiêm trọng với các công ty, vì mất một nhân viên không chỉ tốn chi phí tuyển dụng và đào tạo người mới, mà còn làm mất đi tri thức ngầm và văn hóa khó có thể phục hồi.

Bộ dữ liệu attrition chứa thông tin về việc nghỉ việc của nhân viên, bao gồm Age, WorkLifeBalance, DistanceFromHome, StockOptionLevel, và 27 biến khác. Trước khi tiếp tục phân tích, bạn muốn phát hiện mọi biến có giá trị bị thiếu.

Gói naniar và bộ dữ liệu attrition đã được nạp sẵn cho bạn.

Bài tập này là một phần của khóa học

Kỹ thuật đặc trưng (Feature Engineering) với R

Xem khóa học

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Explore missing data on the attrition dataset
___(attrition)

Chỉnh sửa và Chạy Mã

Bài tập này là một phần của khóa học

Kỹ thuật đặc trưng (Feature Engineering) với R

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Dữ liệu thô không phải lúc nào cũng ở trạng thái tốt nhất để phân tích. Trong chương mở đầu này, bạn sẽ có cái nhìn đầu tiên về cách biến đổi và tạo đặc trưng nhằm nâng cao hiệu suất và khả năng diễn giải của mô hình.

Exercise 1: Feature engineering là gì?Exercise 2: Một mô hình thử nghiệm Exercise 3: Tự tay thiết kế một đặc trưng Exercise 4: Tạo đặc trưng mới dựa trên kiến thức miền Exercise 5: Chuẩn bị dữ liệu cho phân tích Exercise 6: Xây dựng workflow Exercise 7: Tăng hàm lượng thông tin của dữ liệu thô Exercise 8: Xác định giá trị khuyết

Bài tập hiện tại

Exercise 9: Bù khuyết dữ liệu và tạo biến giả (dummy)Exercise 10: Huấn luyện và đánh giá mô hình Exercise 11: Dự đoán đặt phòng khách sạn

Ở chương này, bạn sẽ thấy rằng ngoài việc biến đổi thủ công các đặc trưng, bạn còn có thể tận dụng công cụ trong tidyverse để tạo mới biến một cách tự động. Bạn sẽ khám phá cách tiếp cận này giúp cải thiện khả năng tái lập của mô hình và đặc biệt hữu ích khi xử lý các tập dữ liệu có nhiều đặc trưng.

Exercise 1: Vì sao cần biến đổi các đặc trưng hiện có?Exercise 2: Liếc nhanh dữ liệu của bạn Exercise 3: Chuẩn hóa và biến đổi log Exercise 4: Fit và augment Exercise 5: Tùy chỉnh cách đánh giá mô hình Exercise 6: Các phép biến đổi đặc trưng phổ biến Exercise 7: Các phép biến đổi phổ biến Exercise 8: Recipe cơ bản Exercise 9: Biến đổi Box-Cox Exercise 10: Biến đổi Yeo-Johnson Exercise 11: Các biến đổi nâng cao Exercise 12: Đường cơ sở Exercise 13: step_poly()Exercise 14: step_percentile()Exercise 15: Ai sẽ ở lại?

Bạn sẽ học cách các mô hình thường được hưởng lợi từ việc giảm số chiều và trích xuất đặc trưng từ dữ liệu có chiều cao, bao gồm việc chuyển đổi dữ liệu văn bản thành giá trị số, mã hóa dữ liệu phân loại và xếp hạng sức mạnh dự đoán của các biến. Bạn sẽ khám phá các phương pháp như phân tích thành phần chính (PCA), kernel PCA, trích xuất số từ văn bản, các dạng mã hóa biến phân loại và điểm quan trọng biến (variable importance).

Exercise 1: Giảm chiều dữ liệu Exercise 2: Chuẩn bị nền tảng Exercise 3: Khám phá cấu trúc bên trong Exercise 4: Phần trăm phương sai được giải thích Exercise 5: Trực quan hóa phương sai giải thích Exercise 6: Feature hashing Exercise 7: Khám phá lĩnh vực học vấn Exercise 8: Vào ma trận Exercise 9: Khám phá hashing Exercise 10: Trực quan hóa việc hashing Exercise 11: Mã hóa dữ liệu phân loại bằng học có giám sát Exercise 12: Thiết lập workflow của bạn Exercise 13: Fit, augment, và đánh giá Exercise 14: Gộp các mô hình lại với nhau Exercise 15: Tầm quan trọng của biến Exercise 16: Tạo một workflow Exercise 17: Fit và augment Exercise 18: Đâu là biến dự báo chính?

Bạn sẽ kết thúc khóa học bằng việc tìm hiểu về feature engineering và các kỹ thuật Machine Learning. Trước tiên, bạn sẽ tập trung vào những vấn đề phát sinh khi dùng tất cả đặc trưng sẵn có trong một mô hình, tầm quan trọng của việc nhận diện các đặc trưng không liên quan và dư thừa, và cách loại bỏ chúng bằng các phương pháp nhúng như lasso và elastic-net. Tiếp theo, bạn sẽ khám phá các phương pháp co rút (shrinkage) như lasso, ridge và elastic-net, có thể dùng để regularize trọng số đặc trưng hoặc chọn đặc trưng bằng cách đặt hệ số về 0. Cuối cùng, bạn sẽ tập trung xây dựng một quy trình feature engineering end-to-end và ôn luyện, thực hành các khái niệm và hàm đã học trong một dự án nhỏ.

Exercise 1: Giảm số lượng đặc trưng của mô hình Exercise 2: Sàng lọc theo mức độ quan trọng của biến Exercise 3: Đánh giá hiệu suất mô hình dùng tất cả predictor hiện có Exercise 4: Xây dựng một mô hình rút gọn Exercise 5: Các phương pháp thu hẹp (shrinkage)Exercise 6: Điều chuẩn thủ công với Lasso Exercise 7: Tinh chỉnh penalty Exercise 8: Hoàn thiện mô hình Exercise 9: Tổng hợp tất cả Exercise 10: Chuẩn bị và chia tách Exercise 11: Tiền xử lý Exercise 12: Mô hình Exercise 13: Đánh giá Exercise 14: Chúc mừng bạn!