Ingénierie des caractéristiques avec recipes

Dans tidymodels, une recette est un modèle directeur pour le prétraitement de vos données. Elle consigne les étapes nécessaires pour transformer des données brutes en variables prêtes pour un modèle, sans les appliquer immédiatement.

La fonction principale est recipe(outcome ~ ., data = train) : elle définit la formule et le jeu de données de référence utilisés pour estimer les statistiques nécessaires au prétraitement.

step_normalize(all_numeric_predictors()) centre chaque variable explicative numérique sur une moyenne de 0 et la réduit à un écart-type de 1. Cela est essentiel pour les algorithmes sensibles à l’échelle des variables, comme la régression logistique, SVM ou les réseaux neuronaux.

La moyenne et SD sont calculées à partir du jeu d’entraînement, puis appliquées de manière cohérente aux données de test via bake().

step_dummy(all_nominal_predictors()) convertit les variables catégorielles (facteurs ou chaînes de caractères) en colonnes numériques indicatrices (codées en variables binaires). Par défaut, il crée k-1 colonnes pour un facteur à k niveaux, ce qui évite la multicolinéarité parfaite.

Utilisez one_hot = TRUE pour les modèles fondés sur des arbres qui tirent avantage d’un codage binaire complet.

Les valeurs manquantes font échouer la plupart des moteurs de modèles. step_impute_median(all_numeric_predictors()) remplace les valeurs NA par la médiane calculée à partir du jeu d’entraînement. La médiane résiste mieux aux valeurs aberrantes que l’imputation par la moyenne.

Pour les variables catégorielles, utilisez step_impute_mode() pour remplacer les valeurs par la modalité la plus fréquente.

step_zv(all_predictors()) supprime toute variable explicative qui ne possède qu’une seule valeur distincte (variance nulle). Ces colonnes n’apportent aucune information et peuvent provoquer des erreurs dans certains moteurs de modèles.

Pour une variance quasi nulle, utilisez step_nzv(all_predictors()), qui supprime également les colonnes où une valeur est très largement dominante.

prep(recipe) estime tous les paramètres requis par les étapes — par exemple la moyenne et SD pour la normalisation, ou les médianes pour l’imputation — à partir des données d’entraînement. Le résultat est une recette préparée qui connaît tous les paramètres de transformation.

Préparez toujours la recette uniquement sur les données d’entraînement afin d’éviter toute fuite de données provenant du jeu de test.

bake(prepped_recipe, new_data = test_data) applique toutes les étapes de prétraitement, en utilisant les paramètres déjà estimés, à n’importe quel jeu de données. Cela garantit la cohérence des transformations entre l’entraînement et le test.

Transmettez new_data = NULL pour appliquer les transformations aux données d’entraînement utilisées lors de prep().

juice(prepped_recipe) est une fonction pratique équivalente à bake(prepped_recipe, new_data = NULL). Elle renvoie la version prétraitée des données d’entraînement utilisées lors de prep().

Remarque : juice() est légèrement déconseillée au profit de bake(prep, new_data = NULL), mais vous la verrez dans du code tidymodels plus ancien.

Les étapes sont appliquées dans l’ordre où elles sont ajoutées. Une recette classique destinée à la production suit l’ordre suivant :

1. Imputation (corriger d’abord les NA)
2. Création de variables (interactions, polynômes)
3. Codage indicateur (convertir les facteurs)
4. Suppression des variables à variance nulle
5. Normalisation (effectuer la mise à l’échelle en dernier)

Cet ordre est important : par exemple, normaliser avant le codage indicateur produirait des résultats incorrects.

Après l’appel de prep(), vous pouvez examiner ce que chaque étape a fait avec tidy(prepped_rec). Chaque étape possède un identifiant numérique, et vous pouvez l’examiner plus en détail avec tidy(prepped_rec, number = 1) pour voir les paramètres estimés.

Les recettes sont particulièrement utiles lorsqu’elles sont combinées à des flux de travail. Au lieu d’appeler manuellement prep() et bake(), vous ajoutez la recette à un flux de travail et tidymodels gère automatiquement prep/bake lors de fit() et predict().

Cela élimine une source fréquente d’erreurs : l’application différente du prétraitement pendant l’entraînement et au moment de l’inférence.

Que fait l’appel de prep(recipe) dans le cadre des recettes de tidymodels ?

Points essentiels de l’ingénierie des variables avec les recettes :

• recipe(outcome ~ ., data = train) définit le modèle directeur du prétraitement.
• step_normalize(), step_dummy(), step_impute_median() et step_zv() sont les étapes les plus utilisées.
• prep() estime les paramètres uniquement à partir des données d’entraînement, jamais à partir des données de test.
• bake(prepped, new_data) applique la recette entraînée à n’importe quel jeu de données.
• L’ordre des étapes compte : imputer → créer → coder → supprimer → mettre à l’échelle.
• En production, encapsulez la recette dans un workflow() pour automatiser prep/bake pendant fit et predict.