Comparer et choisir le meilleur R-carré ajusté
Lors de l'analyse de DataFrames imputés avec un modèle linéaire, le R-carré ajusté (\(adj.R^2\)) permet d'identifier le modèle qui s'ajuste le mieux.
Dans cet exercice, vous allez comparer les scores \(adj.R^2\) des modèles linéaires (pour chacun des jeux de données imputés) que vous avez créés plus tôt, soit lm_mean, lm_KNN et lm_MICE respectivement.
Vous commencerez par afficher proprement (en créant un DataFrame) leur attribut rsquared_adj, puis vous choisirez le modèle ayant le \(adj.R^2\) maximal.
Ces modèles ont déjà été chargés pour vous sous les noms lm_mean, lm_KNN et lm_MICE.
Cette activité fait partie du cours
Gérer les données manquantes avec Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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)