Imputazione semplice
Come hai visto nell'esercizio precedente, eliminare i dati può ridurre troppo il tuo insieme di dati. In un colloquio, questo può portare a risultati distorti del tuo modello di Machine Learning.
Un modo più flessibile per gestire i valori mancanti è imputarli. Esistono diversi modi per farlo in Python, ma in questo esercizio userai la funzione SimpleImputer() dal modulo sklearn.impute su loan_data.
Poi userai pandas e numpy per convertire l'insieme di dati imputato in un DataFrame.
Nota che ora si aggiungono 2 passaggi alla pipeline, Instantiate e Fit:
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Import imputer module
from sklearn.impute import SimpleImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(include=[____.____])