Engenharia de atributos com recipes

Em tidymodels, uma receita é um esquema para o pré-processamento dos seus dados. Ela registra as etapas necessárias para transformar dados brutos em características prontas para o modelo — sem aplicá-las imediatamente.

A função principal é recipe(outcome ~ ., data = train), que define a fórmula e o conjunto de dados de referência usado para estimar as estatísticas necessárias durante o pré-processamento.

step_normalize(all_numeric_predictors()) centraliza cada preditor numérico para média 0 e o escala para desvio-padrão 1. Isso é essencial para algoritmos sensíveis à escala das características, como regressão logística, SVM ou redes neurais.

A média e o SD são calculados a partir do conjunto de treinamento e aplicados de forma consistente aos dados de teste por meio de bake().

step_dummy(all_nominal_predictors()) converte variáveis categóricas (fator/caractere) em colunas numéricas fictícias (codificadas em one-hot). Por padrão, cria k-1 colunas para um fator com k níveis, evitando a multicolinearidade perfeita.

Use one_hot = TRUE para modelos baseados em árvores que se beneficiam da codificação one-hot completa.

Valores ausentes farão a maioria dos mecanismos de modelo falhar. step_impute_median(all_numeric_predictors()) substitui valores NA pela mediana calculada a partir do conjunto de treinamento. Em comparação com a imputação pela média, a mediana é resistente a valores atípicos.

Para variáveis categóricas, use step_impute_mode() para preencher com o valor mais frequente.

step_zv(all_predictors()) remove qualquer preditor que tenha apenas um valor exclusivo (variância zero). Essas colunas não contêm informação e podem causar erros em alguns mecanismos de modelo.

Para variância próxima de zero, use step_nzv(all_predictors()), que também remove colunas nas quais um valor predomina amplamente.

prep(recipe) estima todos os parâmetros exigidos pelas etapas — por exemplo, a média/SD para normalização e as medianas para imputação — usando os dados de treinamento. O resultado é uma receita preparada que conhece todos os parâmetros de transformação.

Sempre execute a preparação apenas nos dados de treinamento para evitar vazamento de dados do conjunto de teste.

bake(prepped_recipe, new_data = test_data) aplica todas as etapas de pré-processamento, usando os parâmetros já estimados, a qualquer conjunto de dados. Isso garante que as transformações sejam consistentes entre o treinamento e o teste.

Passe new_data = NULL para aplicar as transformações aos dados de treinamento usados durante prep().

juice(prepped_recipe) é uma função de conveniência equivalente a bake(prepped_recipe, new_data = NULL). Ela retorna a versão pré-processada dos dados de treinamento usados durante prep().

Observação: juice() está ligeiramente obsoleta em favor de bake(prep, new_data = NULL), mas você a verá em códigos tidymodels mais antigos.

As etapas são aplicadas na ordem em que são adicionadas. Uma receita de produção típica segue esta ordem:

1. Imputação (corrigir os NAs primeiro)
2. Criação de características (interações, polinômios)
3. Codificação fictícia (converter fatores)
4. Remoção da variância zero
5. Normalização (escalar no final)

Essa ordem é importante — por exemplo, normalizar antes da codificação fictícia produziria resultados incorretos.

Depois de chamar prep(), você pode inspecionar o que cada etapa fez usando tidy(prepped_rec). Cada etapa tem um identificador numérico, e você pode examiná-la em detalhe com tidy(prepped_rec, number = 1) para ver os parâmetros estimados.

As receitas mostram todo o seu potencial quando combinadas com fluxos de trabalho. Em vez de chamar manualmente prep() e bake(), você adiciona a receita a um fluxo de trabalho, e o tidymodels gerencia prep/bake automaticamente durante fit() e predict().

Isso elimina uma fonte comum de erros: aplicar o pré-processamento de forma diferente durante o treinamento e no momento da inferência.

Principais conclusões sobre engenharia de características com receitas:

• recipe(outcome ~ ., data = train) define o esquema de pré-processamento.
• step_normalize(), step_dummy(), step_impute_median() e step_zv() são as etapas mais usadas.
• prep() estima parâmetros apenas a partir dos dados de treinamento — nunca dos dados de teste.
• bake(prepped, new_data) aplica a receita treinada a qualquer conjunto de dados.
• A ordem das etapas é importante: imputar → criar → codificar → remover → escalar.
• Em produção, envolva a receita em um workflow() para automatizar prep/bake durante fit e predict.