शुरू करेंमुफ़्त में शुरू करें

KNN इम्प्यूटेशन

किसी भी डेटासेट में कई फीचर्स परस्पर सहसंबद्ध होते हैं। इसलिए, मिसिंग वैल्यू भरते समय इन्हें एक फैक्टर के तौर पर ध्यान में रखना ज़रूरी है। मशीन लर्निंग मॉडल DataFrame के फीचर्स का उपयोग करके सहसंबंध और पैटर्न ढूँढते हैं और चुने गए फीचर का अनुमान लगाते हैं.

सबसे सरल और प्रभावी मॉडलों में से एक है K Nearest Neighbors. यह मिसिंग वैल्यू को भरने के लिए मौजूदा डेटा पॉइंट्स से सबसे मिलते-जुलते 'K' पॉइंट्स ढूँढता है.

इस अभ्यास में, diabetes DataFrame आपके लिए पहले से लोड किया गया है। fancyimpute पैकेज का उपयोग करके diabetes DataFrame में मौजूद मिसिंग वैल्यू इम्प्यूट कीजिए.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Missing Data से निपटना

पाठ्यक्रम देखें

अभ्यास निर्देश

  • fancyimpute से KNN इम्पोर्ट करें.
  • diabetes को कॉपी करके diabetes_knn_imputed बनाएँ.
  • एक KNN() ऑब्जेक्ट बनाएँ और उसे knn_imputer में असाइन करें.
  • diabetes_knn_imputed DataFrame को इम्प्यूट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Import KNN from fancyimpute
___

# Copy diabetes to diabetes_knn_imputed
diabetes_knn_imputed = ___

# Initialize KNN
knn_imputer = ___

# Impute using fit_tranform on diabetes_knn_imputed
diabetes_knn_imputed.iloc[:, :] = ___
कोड संपादित करें और चलाएँ