Imputation itérative
Dans l'exercice précédent, vous avez effectué une imputation par la moyenne pour les valeurs manquantes de loan_data. Toutefois, lors d'une entrevue en Machine Learning, on vous demandera probablement des techniques d'imputation plus dynamiques qui s'appuient sur d'autres caractéristiques du jeu de données.
Dans cet exercice, vous allez pratiquer une approche basée sur le Machine Learning en imputant les valeurs manquantes en fonction des autres variables à l'aide de IterativeImputer() de sklearn.impute. Il s'agit d'un imputeur multivarié qui estime chaque variable à partir de toutes les autres de manière « round-robin ».
Notez que cette fonction est considérée comme expérimentale. Veuillez consulter la documentation pour plus d'information.
Vous en êtes au même endroit dans le pipeline :
Cette activité fait partie du cours
S'exercer aux questions d'entrevue en Machine Learning avec Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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 = ____.____(____=[____.____])