Imputasi iteratif
Pada latihan sebelumnya, Anda melakukan imputasi rata-rata untuk nilai hilang pada loan_data. Namun, dalam wawancara Machine Learning, Anda kemungkinan akan ditanya tentang teknik imputasi yang lebih dinamis dan bergantung pada fitur lain dalam himpunan data.
Pada latihan ini, Anda akan berlatih pendekatan berbasis Machine Learning dengan mengisi nilai hilang sebagai fungsi dari fitur lainnya menggunakan IterativeImputer() dari sklearn.impute. Ini adalah imputer multivariat yang memperkirakan setiap fitur dari semua fitur lainnya secara bergiliran ('round-robin').
Perhatikan bahwa fungsi ini dianggap eksperimental, jadi bacalah dokumentasi untuk informasi lebih lanjut.
Anda berada pada tahap yang sama dalam Pipeline:
Latihan ini merupakan bagian dari kursus
Berlatih Pertanyaan Wawancara Machine Learning dengan Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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 = ____.____(____=[____.____])