Vergleichen und das beste adjustierte R-Quadrat wählen
Bei der Analyse imputierter DataFrames mit einem linearen Modell zeigt das adjustierte R-Quadrat (\(adj.R^2\)) die Güte der Modellanpassung am besten an.
In dieser Übung vergleichst du die \(adj.R^2\)-Werte der linearen Modelle (für jedes der zuvor imputierten Datensets), die du bereits erstellt hast: lm_mean, lm_KNN und lm_MICE.
Zuerst gibst du ihre Attribute rsquared_adj übersichtlich aus (indem du ein DataFrame erstellst) und wählst anschließend das Modell mit dem höchsten \(adj.R^2\).
Die oben genannten Modelle wurden bereits als lm_mean, lm_KNN und lm_MICE für dich geladen.
Diese Übung ist Teil des Kurses
<Kurs>Umgang mit fehlenden Daten in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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)