Feature Engineering in R

In questo capitolo vedrai che, oltre a trasformare manualmente le caratteristiche, puoi sfruttare gli strumenti del tidyverse per generare nuove variabili in modo programmatico. Scoprirai come questo approccio migliori la riproducibilità dei modelli ed è particolarmente utile quando si lavora con insiemi di dati con molte caratteristiche.

Ora vedrai come i modelli traggono spesso beneficio dalla riduzione della dimensionalità e dall’estrazione di caratteristiche da dati ad alta dimensionalità, inclusa la conversione di testo in valori numerici, la codifica di dati categorici e il ranking del potere predittivo delle variabili. Esplorerai metodi come l’analisi delle componenti principali, la kernel principal component analysis, l’estrazione numerica dal testo, le codifiche categoriche e i punteggi di importanza delle variabili.

Concluderai il corso approfondendo tecniche di feature engineering e di Machine Learning. Inizierai concentrandoti sui problemi legati all’uso di tutte le caratteristiche disponibili in un modello e sull’importanza di individuare quelle irrilevanti e ridondanti, imparando a rimuoverle con metodi embedded come lasso ed elastic-net. Poi esplorerai i metodi di shrinkage come lasso, ridge ed elastic-net, che possono essere usati per regolarizzare i pesi delle caratteristiche o selezionarle azzerando alcuni coefficienti. Infine, terminerai creando un flusso di lavoro end-to-end per il feature engineering e ripassando e mettendo in pratica i concetti e le funzioni appresi in un piccolo progetto.