Prédicteurs nominaux

Modéliser avec tidymodels en R

David Svancer

Data Scientist

Données nominales

Données décrivant des caractéristiques ou des groupes

Pas d'ordre pertinent

Exemples

Département dans une entreprise
- Marketing, Finance, Technologie
Langue maternelle
- English, Czech, Spanish ...
Type de voiture
- SUV, berline, compacte ...

Transformer des prédicteurs nominaux

Les données nominales doivent être converties en numériques pour le modélisation

Encodage one-hot

Convertit les valeurs catégorielles en variables indicatrices [0/1]
Une variable indicatrice par valeur unique des données d'origine

one_hot_encoding

Transformer des prédicteurs nominaux

Encodage par variables fictives

Exclut une valeur de l'ensemble initial
- n valeurs distinctes donnent ( n - 1 ) variables indicatrices
Méthode recommandée pour la modélisation
- Par défaut dans le package recipes

dummy_encoding

Données de lead scoring

Variables prédictives nominales - lead_source et us_location

leads_training

# A tibble: 996 x 7
 purchased total_visits total_time pages_per_visit total_clicks lead_source   us_location
   <fct>      <dbl>      <dbl>          <dbl>          <dbl>      <fct>          <fct>
 1 yes         7         1148           7              59       direct_traffic    west
 2 no          5         228            2.5            25       email             southeast
 3 no          7         481            2.33           21       organic_search    west
 4 no          4         177            4              37       direct_traffic    west
 5 no          2         1273           2              26       email             midwest
# ... with 991 more rows

Créer des variables fictives

La fonction step_dummy()

Crée des variables fictives à partir de prédicteurs nominaux

recipe(purchased ~ ., data = leads_training) %>%

  step_dummy(lead_source, us_location) %>%

  prep(training = leads_training) %>%

  bake(new_data = leads_test)

# A tibble: 332 x 12
   total_visits ... lead_source_email  lead_source_organic_search  lead_source_direct_traffic  us_location_southeast ... us_location_west
       <dbl>    ...      <dbl>                 <dbl>                      <dbl>                       <dbl>                     <dbl>
1        8      ...         0                    0                          1                          0                        1
2        4      ...         0                    0                          1                          0                        0
3        3      ...         0                    1                          0                          0                        1
4        2      ...         1                    0                          0                          0                        0
5        9      ...         0                    0                          1                          0                        1

# ... with 327 more rows

Sélectionner des colonnes par type

Sélection par type de colonne avec les sélecteurs all_nominal() et all_outcomes()

-all_outcomes() exclut la variable cible nominale, purchased

recipe(purchased ~ ., data = leads_training) %>%

  step_dummy(all_nominal(), -all_outcomes()) %>%

  prep(training = leads_training) %>%

  bake(new_data = leads_test)

# A tibble: 332 x 12
   total_visits ... lead_source_email  lead_source_organic_search  lead_source_direct_traffic ... us_location_west
       <dbl>    ...      <dbl>                 <dbl>                      <dbl>                           <dbl>
1        8      ...         0                    0                          1                                 1
2        4      ...         0                    0                          1                                 0
3        3      ...         0                    1                          0                                 1
4        2      ...         1                    0                          0                                 0
5        9      ...         0                    0                          1                                 1
# ... with 327 more rows

Prétraiter des variables prédictives nominales

Moteurs de modélisation sous R

Beaucoup créent automatiquement des variables fictives
- Possible d'utiliser des prédicteurs nominaux sans step_dummy() en prétraitement
Pas homogène selon les moteurs
- One-hot vs variables fictives
- Nommage des nouvelles variables

Le package recipes offre une méthode standardisée pour préparer les prédicteurs nominaux avant la modélisation

Passons à la pratique !

Modéliser avec tidymodels en R