여러 변수 유형에 대한 모델 기반 대치
조건부 분포에서 표본을 뽑아 로지스틱 회귀 대치를 구현하는 함수를 아주 잘 작성하셨어요. 꽤 고급 통계 기법을 코드로 구현하신 거예요! 이번 연습 문제에서는 지금까지 배운 모델 기반 대치 방법을 결합해 tao 데이터의 서로 다른 유형 변수를 대치해 보겠습니다.
이전 장에서처럼 변수를 순회(iterate)하면서 다음 두 변수를 대치해 주세요:
is_hot:air_temp에서 파생한 새로운 이진 변수로,air_temp가 26도 이상이면 1, 그렇지 않으면 0이에요.humidity: 이미 익숙한 연속형 변수예요.
이전에 배운 선형 회귀 함수를 사용하고, 직접 만든 로지스틱 회귀 함수도 함께 활용하셔야 합니다. 시작해 볼까요?
이 연습은 강의의 일부입니다
R에서 대치(Imputation)로 결측치 다루기
연습 안내
- 원래 결측이었던 위치에서는
is_hot을NA로 설정하세요. is_hot을 로지스틱 회귀로 대치하세요. 예측 변수는sea_surface_temp하나만 사용하고, 여러분의 함수impute_logreg()을 사용하세요.- 원래 결측이었던 위치에서는
humidity를NA로 설정하세요. humidity를 선형 회귀로 대치하세요. 예측 변수는sea_surface_temp와air_temp를 사용하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# Initialize missing values with hot-deck
tao_imp <- hotdeck(tao)
# Create boolean masks for where is_hot and humidity are missing
missing_is_hot <- tao_imp$is_hot_imp
missing_humidity <- tao_imp$humidity_imp
for (i in 1:3) {
# Set is_hot to NA in places where it was originally missing and re-impute it
___ <- NA
tao_imp <- ___(tao_imp, ___ ~ ___)
# Set humidity to NA in places where it was originally missing and re-impute it
___ <- NA
tao_imp <- ___(tao_imp, ___ ~ sea_surface_temp + ___)
}