Zachování chybějících hodnot

V některých situacích je samotný fakt, že vstupní hodnota chybí, důležitou informací. Hodnoty NA lze pomocí hrubé klasifikace zařadit do samostatné kategorie „chybějící".

Hrubá klasifikace ti umožní data zjednodušit a zlepšit interpretovatelnost modelu. Spočívá v tom, že hodnoty seskupíš do binů pokrývajících určité rozsahy. Tuto techniku lze využít i k tomu, aby všechny hodnoty NA dostaly vlastní bin.

Ve videu jsme si hrubou klasifikaci ukázali na příkladu délky zaměstnání. Kód z tohoto příkladu je reprodukován v R skriptu vpravo a lze ho upravit pro hrubou klasifikaci proměnné int_rate.

Toto cvičení je součástí kurzu

Modelování kreditního rizika v R

Zobrazit kurz

Pokyny k cvičení

Uprav poskytnutý kód tak, aby hrubě klasifikoval proměnnou int_rate, a výsledek ulož do nové proměnné ir_cat.
- Nejprve nahraď všechny výskyty loan_data$emp_cat za loan_data$ir_cat a všechny výskyty loan_data$emp_length za loan_data$int_rate.
- Poté nastav biny na kategorie "0-8", "8-11", "11-13.5" a "13.5+" (místo původních "0-15","15-30","30-45" a "45+"). Použití operátorů > a <= zůstává stejné jako ve videu. Nezapomeň také změnit čísla v podmínkách (15, 30 a 45 nahraď hodnotami 8, 11 a 13,5).
Zobraz novou proměnnou ir_cat pomocí plot(loan_data$ir_cat).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Make the necessary replacements in the coarse classification example below 
loan_data$emp_cat <- rep(NA, length(loan_data$emp_length))

loan_data$emp_cat[which(loan_data$emp_length <= 15)] <- "0-15"
loan_data$emp_cat[which(loan_data$emp_length > 15 & loan_data$emp_length <= 30)] <- "15-30"
loan_data$emp_cat[which(loan_data$emp_length > 30 & loan_data$emp_length <= 45)] <- "30-45"
loan_data$emp_cat[which(loan_data$emp_length > 45)] <- "45+"
loan_data$emp_cat[which(is.na(loan_data$emp_length))] <- "Missing"

loan_data$emp_cat <- as.factor(loan_data$emp_cat)

# Look at your new variable using plot()

Upravit a spustit kód