Comparing and choosing the best adjusted R-squared
Durante el análisis de DataFrames imputados en un modelo lineal, el R-cuadrado ajustado (\(adj.R^2\)) indica cuál es el modelo con mejor ajuste.
En este ejercicio, vas a comparar las puntuaciones de \(adj.R^2\) de los modelos lineales (para cada uno de los conjuntos de datos imputados) que creaste antes: lm_mean, lm_KNN y lm_MICE, respectivamente.
Primero, imprime de forma ordenada (creando un DataFrame) sus atributos rsquared_adj y, por último, elige el modelo con el \(adj.R^2\) máximo.
Los modelos anteriores ya se han cargado para ti como lm_mean, lm_KNN y lm_MICE.
Este ejercicio forma parte del curso
Cómo tratar datos faltantes en Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# 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)