Confronta imputazione KNN e mediana

Tutti i passaggi di preprocessing nella funzione train() avvengono nel set di training di ciascuna fold di cross-validation, quindi le metriche di errore riportate includono gli effetti del preprocessing.

Questo include il metodo di imputazione utilizzato (ad es. knnImpute o medianImpute). È utile perché ti permette di confrontare diversi metodi di imputazione e scegliere quello che funziona meglio fuori campione.

median_model e knn_model sono disponibili nel tuo workspace, così come resamples, che contiene i risultati ricalcolati di entrambi i modelli. Osserva i risultati dei modelli eseguendo

dotplot(resamples, metric = "ROC")

e scegli quello che funziona meglio fuori campione. Quale metodo di imputazione produce l’ROC più alto fuori campione per il tuo modello glm?