Porównanie i wybór najlepszego skorygowanego R-kwadrat
Podczas analizy uzupełnionych ramek danych na modelu liniowym, skorygowany współczynnik R-kwadrat (\(adj.R^2\)) wskazuje model o najlepszym dopasowaniu.
W tym ćwiczeniu porównasz wartości \(adj.R^2\) modeli liniowych (dla każdego z uzupełnionych zbiorów danych) utworzonych wcześniej: lm_mean, lm_KNN oraz lm_MICE.
Najpierw wyświetlisz w czytelnej formie (tworząc ramkę danych) ich atrybut rsquared_adj, a następnie wybierzesz model z maksymalną wartością \(adj.R^2\).
Powyższe modele zostały już wczytane jako lm_mean, lm_KNN i lm_MICE.
To ćwiczenie jest częścią kursu
Braki danych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Store the Adj. R-squared scores of the linear models
rsquared_df = pd.DataFrame({'Mean Imputation': ___,
'KNN Imputation': ___,
'MICE Imputation': ___},
index=['Adj. R-squared'])
# Neatly print the Adj. R-squared scores in the console
print(rsquared_df)