Mulai sekarangMulai gratis

Trik & kiat kNN I: pembobotan donor

Salah satu variasi imputasi kNN yang sering digunakan adalah agregasi berbobot jarak. Artinya, saat kita mengagregasikan nilai dari para tetangga untuk mendapatkan pengganti nilai yang hilang, kita menggunakan mean berbobot dan bobotnya adalah kebalikan dari jarak setiap tetangga. Akibatnya, tetangga yang lebih dekat memiliki pengaruh lebih besar pada nilai imputasi.

Dalam latihan ini, Anda akan menerapkan agregasi berbobot jarak saat melakukan imputasi pada data tao. Ini hanya memerlukan pemberian dua argumen tambahan ke fungsi kNN(). Mari kita coba!

Latihan ini merupakan bagian dari kursus

Menangani Data Hilang dengan Imputasi di R

Lihat Kursus

Instruksi latihan

  • Muat paket VIM.
  • Imputasi humidity dengan kNN menggunakan mean berbobot jarak untuk mengagregasikan tetangga; Anda perlu menentukan argumen numFun dan weightDist.
  • Plot margin untuk melihat hasilnya sudah disiapkan untuk Anda.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Load the VIM package
___(___)

# Impute humidity with kNN using distance-weighted mean
tao_imp <- ___(tao, 
               k = 5, 
               variable = "humidity", 
               ___ = ___,
               ___ = ___)

tao_imp %>% 
	select(sea_surface_temp, humidity, humidity_imp) %>% 
	marginplot(delimiter = "imp")
Edit dan Jalankan Kode