Začněte nyníZačněte zdarma

Tipy a triky pro kNN I: vážení donorů

Oblíbenou variantou kNN imputace je takzvaná agregace vážená vzdáleností. To znamená, že při agregaci hodnot od sousedů — za účelem nahrazení chybějící hodnoty — používáme vážený průměr, přičemž váhy odpovídají invertovaným vzdálenostem od jednotlivých sousedů. Bližší sousedé tak mají na imputovanou hodnotu větší vliv.

V tomto cvičení použiješ agregaci váženou vzdáleností při imputaci dat tao. Stačí funkci kNN() předat dva dodatečné argumenty. Pojďme na to!

Toto cvičení je součástí kurzu

Práce s chybějícími daty pomocí imputace v R

Zobrazit kurz

Pokyny k cvičení

  • Načti balíček VIM.
  • Imputuj humidity pomocí kNN s použitím vzdálenostně váženého průměru pro agregaci sousedů; zadej argumenty numFun a weightDist.
  • Kód pro vykreslení marginálního grafu výsledků je již připravený.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Load the VIM package
___(___)

# Impute humidity with kNN using distance-weighted mean
tao_imp <- ___(tao, 
               k = 5, 
               variable = "humidity", 
               ___ = ___,
               ___ = ___)

tao_imp %>% 
	select(sea_surface_temp, humidity, humidity_imp) %>% 
	marginplot(delimiter = "imp")
Upravit a spustit kód