Analiza podsumowania modelu liniowego
Ocena wydajności różnych modeli z uzupełnionymi danymi to jedno z kluczowych zadań w pracy z brakującymi wartościami. Pozwala określić, na którym uzupełnionym zbiorze danych można polegać. Do analizy dopasowujesz model regresji liniowej na uzupełnionym zbiorze danych i sprawdzasz różne parametry wpływające na wybór metody imputacji.
W tym ćwiczeniu zbiór danych diabetes_cc jest już wczytany – to kompletny przypadek zbioru danych o cukrzycy. Kompletny przypadek służy jako punkt odniesienia do porównania z innymi uzupełnionymi zbiorami danych. Do tworzenia modelu regresji liniowej i generowania podsumowań używasz pakietu statsmodels.api wczytanego jako sm.
To ćwiczenie jest częścią kursu
Braki danych w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Add constant to X and set X & y values to fit linear model
X = sm.add_constant(___)
y = ___
lm = sm.OLS(y, X).fit()