Confrontare e scegliere il miglior R-quadrato corretto
Durante l'analisi dei DataFrame imputati con un modello lineare, il punteggio di R-quadrato corretto (\(adj.R^2\)) indica il modello con il miglior adattamento.
In questo esercizio confronterai i punteggi di \(adj.R^2\) dei modelli lineari (per ciascuno degli insiemi di dati imputati) che hai creato in precedenza, ovvero lm_mean, lm_KNN e lm_MICE rispettivamente.
Per prima cosa stamperai ordinatamente (creando un DataFrame) i loro attributi rsquared_adj e infine sceglierai il modello con il massimo \(adj.R^2\).
I modelli sopra sono già stati caricati per te come lm_mean, lm_KNN e lm_MICE.
Questo esercizio fa parte del corso
Gestire i dati mancanti in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Store the Adj. R-squared scores of the linear models
rsquared_df = pd.DataFrame({'Mean Imputation': ___,
'KNN Imputation': ___,
'MICE Imputation': ___},
index=['Adj. R-squared'])
# Neatly print the Adj. R-squared scores in the console
print(rsquared_df)