1. Aprende
    2. /
  2. Cursos
    3. /
  3. Modelowanie ryzyka kredytowego w R
Connected

Ejercicio

Zachowywanie brakujących danych

W niektórych sytuacjach sam fakt, że dana wartość jest niedostępna, stanowi istotną informację. Wartości NA można zachować w osobnej kategorii „brakujące" za pomocą klasyfikacji grubej (ang. coarse classification).

Klasyfikacja gruba pozwala uprościć dane i poprawić interpretowalność modelu. Polega ona na grupowaniu wartości w przedziały. Dzięki tej technice wszystkie wartości NA możesz umieścić we własnym przedziale.

W filmie pokazaliśmy ideę klasyfikacji grubej na przykładzie długości zatrudnienia. Kod z tego przykładu został odtworzony w skrypcie R po prawej stronie – możesz go dostosować, aby przeprowadzić klasyfikację grubą dla zmiennej int_rate.

Instrucciones

100 XP
  • Wprowadź niezbędne zmiany w podanym kodzie, aby przeprowadzić klasyfikację grubą zmiennej int_rate i zapisz wynik do nowej zmiennej o nazwie ir_cat.
    • Najpierw zastąp loan_data$emp_cat przez loan_data$ir_cat wszędzie, gdzie ta nazwa występuje w skrypcie R, a loan_data$emp_length zastąp przez loan_data$int_rate.
    • Następnie podziel wartości na kategorie "0-8", "8-11", "11-13.5" i "13.5+" (zastępując "0-15", "15-30", "30-45" i "45+"). Operatory > i <= używaj dokładnie tak, jak w filmie. Pamiętaj, aby zmienić liczby w wyrażeniach warunkowych (15, 30 i 45 zastąp odpowiednio przez 8, 11 i 13,5).
  • Przyjrzyj się nowej zmiennej ir_cat, wywołując plot(loan_data$ir_cat).