Imputazione iterativa
Nel precedente esercizio, hai calcolato l’imputazione con la media per i valori mancanti di loan_data. Tuttavia, in un colloquio di Machine Learning, è probabile che ti chiedano tecniche di imputazione più dinamiche che sfruttano le altre feature dell’insieme di dati.
In questo esercizio, metterai in pratica un approccio basato sul Machine Learning imputando i valori mancanti come funzione delle altre feature usando IterativeImputer() da sklearn.impute. Si tratta di un imputatore multivariato che stima ciascuna feature a partire da tutte le altre in modo "a turno" (round-robin).
Nota che questa funzione è considerata sperimentale, quindi leggi la documentazione per maggiori informazioni.
Sei allo stesso punto della Pipeline:
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.
# 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 = ____.____(____=[____.____])