इम्प्यूटेशन्स का मूल्यांकन (कई मॉडल और वैरिएबल)
जब आप एक इम्प्यूटेशन मॉडल बनाते हैं, तो उसे किसी दूसरी विधि से तुलना करना अच्छा रहता है.
इस लेसन में, आप एक अंतिम इम्प्यूटेशन मॉडल जोड़ेंगे, जिसमें एक अतिरिक्त उपयोगी जानकारी शामिल होगी जो डेटा में कुछ परिवर्तनशीलता समझाने में मदद करती है. इसके बाद, आप पिछले लेसन की तरह ही मूल्यों की तुलना करेंगे.
यह अभ्यास पाठ्यक्रम का हिस्सा है
R में Missing Data से निपटना
अभ्यास निर्देश
oceanbuoys डेटासेट का उपयोग करते हुए:
impute_lm()से इम्प्यूट करें, और मॉडल मेंyearजोड़ें.- इम्प्यूटेशन मेथड्स को एक साथ बाइंड करें, जहाँ
ocean_imp_meanकोmean,ocean_imp_lm_windकोlm_wind, औरocean_imp_lm_wind_yearकोlm_wind_yearमें रखें. air_temp_cके मान (x-axis पर) औरhumidity(y-axis पर) को देखें, मिसिंग के आधार पर रंग दें, और इम्प्यूटेशन मॉडल के अनुसार फैसेट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Build a model adding year to the outcome
ocean_imp_lm_wind_year <- bind_shadow(___) %>%
impute_lm(air_temp_c ~ wind_ew + wind_ns + ___) %>%
impute_lm(humidity ~ wind_ew + wind_ns + ___) %>%
add_label_shadow()
# Bind the mean, lm_wind, and lm_wind_year models together
bound_models <- bind_rows(mean = ocean_imp_mean,
lm_wind = ocean_imp_lm_wind,
lm_wind_year = ___,
.id = "imp_model")
# Explore air_temp and humidity, coloring by any missings, and faceting by imputation model
ggplot(___, aes(x = ___, y = ___, color = any_missing)) +
geom_point() + facet_wrap(~___)