Porovnání a výběr nejlepšího upraveného R-squared
Při analýze imputovaných DataFramů na lineárním modelu nás zajímá skóre upraveného R-squared (\(adj.R^2\)), které vyjadřuje, jak dobře model data vystihuje.
V tomto cvičení porovnáš skóre \(adj.R^2\) lineárních modelů (pro každý z imputovaných datasetů), které jsi vytvořil/a dříve – konkrétně lm_mean, lm_KNN a lm_MICE.
Nejprve přehledně vypíšeš jejich atributy rsquared_adj (vytvořením DataFrame) a nakonec vybereš model s nejvyšším \(adj.R^2\).
Výše zmíněné modely jsou pro tebe již načteny jako lm_mean, lm_KNN a lm_MICE.
Toto cvičení je součástí kurzu
Dealing with Missing Data in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Store the Adj. R-squared scores of the linear models
rsquared_df = pd.DataFrame({'Mean Imputation': ___,
'KNN Imputation': ___,
'MICE Imputation': ___},
index=['Adj. R-squared'])
# Neatly print the Adj. R-squared scores in the console
print(rsquared_df)