결과 대치와 점검

이전 연습 문제에서 결측 데이터를 시각화하느라 수고하셨어요! GDP인 gdp_pc와 GDP 대비 무역 비중인 trade에 결측값이 있다는 것을 확인하셨죠. 또한 데이터가 MAR일 가능성이 있어 대치가 가능하다고 의심하고 계십니다. 이번 연습에서는 mice 패키지의 다중 대치 기능을 사용해 africa 데이터를 대치하겠습니다. 그런 다음 gdp_pc와 trade의 스트립 플롯을 그려, 대치된 값이 두 변수 간의 관계를 해치지 않았는지 살펴보세요. 이제 mice로 진행해 볼까요!

이 연습은 강의의 일부입니다

R에서 대치(Imputation)로 결측치 다루기

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Load mice
___

# Impute africa with mice
africa_multiimp <- ___(africa, m = ___, defaultMethod = ___, seed = 3108)

코드 편집 및 실행

이 연습은 강의의 일부입니다

R에서 대치(Imputation)로 결측치 다루기

SkillTag.level.advancedSkillTag.label

4.8+

무료로 강의 시작하기

이 챕터에서는 데이터셋을 분석할 때 결측치가 왜 위험이 될 수 있는지 알아봅니다. 결측치가 발생하는 세 가지 메커니즘을 소개하고, 통계 검정과 시각화 도구로 이를 식별하는 방법을 배웁니다.

Exercise 1: 결측치: 무엇이 잘못될 수 있을까요 Exercise 2: 누락된 데이터가 있는 상태에서의 선형 회귀 Exercise 3: 회귀 결과 분석하기 Exercise 4: 모델 비교하기 Exercise 5: 결측 데이터 메커니즘 Exercise 6: 결측 메커니즘 알아보기 Exercise 7: MAR 가설의 t-검정: 데이터 준비 Exercise 8: MAR에 대한 t-검정: 해석 Exercise 9: 결측 데이터 패턴 시각화 Exercise 10: 집계 플롯 Exercise 11: 스파인 플롯 Exercise 12: 모자이크 플롯

대치 방법의 분류 체계를 익히고, 평균 대치, 핫덱(hot-deck) 대치, k-최근접이웃(k-Nearest-Neighbors) 대치의 세 가지 기증자 기반 기법을 학습합니다. 각 방법이 내부적으로 어떻게 작동하는지 살펴본 뒤, 실제 열대 기상 데이터셋에 적용해 봅니다. 그 과정에서 여러분의 문제에 더 잘 맞도록 성능을 높이는 실용적인 팁도 함께 배웁니다.

Exercise 1: 평균 대치 Exercise 2: 평균 대치의 위험 신호 맡아 보기 Exercise 3: 평균 대치로 온도 채우기 Exercise 4: 마진 플롯으로 대치 품질 평가하기 Exercise 5: Hot-deck 대치 Exercise 6: 기본 hot-deck Exercise 7: Hot-deck 팁 & 트릭 I: 도메인 내 대치 Exercise 8: Hot-deck 요령 II: 상관된 변수로 정렬하기 Exercise 9: k-최근접 이웃 채움(k-Nearest-Neighbors imputation)Exercise 10: 이웃 수 선택하기 Exercise 11: kNN 팁과 요령 I: 기증자 가중치 부여 Exercise 12: kNN 팁 & 트릭 II: 변수 정렬

이제 선형 회귀, 로지스틱 회귀, 랜덤 포레스트와 같은 통계 및 Machine Learning 모델을 사용해 결측치를 대치하는 방법을 배울 차례입니다. 이 챕터에서는 모델이 예측을 만들어 내는 과정을 살펴보고, 그 이해를 바탕으로 조건부분포에서 대치값을 표본추출하는 방법을 사용합니다. 이는 대치값의 다양성과 개연성을 높여 실제 데이터에 더 가까워지도록 하는 데 중요합니다.

Exercise 1: 모형 기반 대치 방법 Exercise 2: 선형 회귀를 활용한 대치 Exercise 3: 결측값 초기화 및 변수 반복 처리 Exercise 4: 수렴 감지하기 Exercise 5: 데이터 변동성 복제하기 Exercise 6: 로지스틱 회귀로 대치하기 Exercise 7: 조건부분포에서 추출하기 Exercise 8: 여러 변수 유형에 대한 모델 기반 대치 Exercise 9: 트리 기반 대치 Exercise 10: Random Forest로 보간하기 Exercise 11: 변수별 대치 오류 Exercise 12: 속도-정확도 간의 균형

대치된 값은 확정값이 아닙니다. 어디까지나 추정치이며, 추정에는 불확실성이 따릅니다. 마지막 챕터에서는 부트스트래핑과 mice 패키지를 활용한 연쇄 방정식 대치(chained equations)를 통해, 대치 불확실성을 모델과 분석에 반영하여 더 신뢰 가능하고 견고한 결과를 얻는 방법을 알아봅니다.

Exercise 1: 부트스트래핑을 이용한 다중 대치 Exercise 2: 대치와 모델링을 함수로 묶기 Exercise 3: 부트스트랩 실행하기 Exercise 4: 부트스트래핑 신뢰 구간 Exercise 5: 연쇄방정식을 이용한 다중 대치 Exercise 6: mice 흐름: mice - with - pool Exercise 7: 기본 모델 선택하기 Exercise 8: 예측자 행렬 사용하기 Exercise 9: 모두 종합해 보기 Exercise 10: 결측 데이터 패턴 분석하기 Exercise 11: 결과 대치와 점검

현재 연습

Exercise 12: 대치된 데이터로 추론하기 Exercise 13: 마무리 안내