Iterative Imputation
In der vorherigen Übung hast du fehlende Werte in loan_data per Mittelwert imputiert. In einem Machine-Learning-Interview wirst du jedoch wahrscheinlich nach dynamischeren Imputationsverfahren gefragt, die andere Merkmale im Datensatz nutzen.
In dieser Übung übst du einen ML-basierten Ansatz, indem du fehlende Werte als Funktion der verbleibenden Merkmale mit IterativeImputer() aus sklearn.impute imputierst. Das ist ein multivariater Imputer, der jedes Merkmal nacheinander aus allen anderen schätzt (im sogenannten „Round-Robin“-Verfahren).
Beachte, dass diese Funktion als experimentell gilt. Lies daher die Dokumentation für weitere Informationen.
Du befindest dich an derselben Stelle in der Pipeline:
Diese Übung ist Teil des Kurses
ML-Vorstellungsgespräche in Python üben
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Explicitly require this experimental feature
from sklearn.experimental import enable_iterative_imputer
# Now you can import normally from sklearn.impute
from sklearn.impute import IterativeImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(____=[____.____])