Imputación iterativa
En el ejercicio anterior, obtuviste imputaciones por la media para los valores faltantes de loan_data. Sin embargo, en una entrevista de Machine Learning, probablemente te pregunten por técnicas de imputación más dinámicas que se basan en otras variables del conjunto de datos.
En este ejercicio, practicarás un enfoque basado en Machine Learning imputando valores faltantes como función del resto de características usando IterativeImputer() de sklearn.impute. Es un imputador multivariante que estima cada variable a partir de todas las demás de forma "round-robin".
Ten en cuenta que esta función se considera experimental, así que consulta la documentación para más información.
Estás en el mismo punto del Pipeline:
Este ejercicio forma parte del curso
Practicing Machine Learning Interview Questions in Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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 = ____.____(____=[____.____])