Zacznij terazZacznij za darmo

Imputacja z użyciem lasów losowych

Podejście do imputacji oparte na uczeniu maszynowym może być zarówno dokładniejsze, jak i prostsze w implementacji niż tradycyjne modele statystyczne. Po pierwsze, nie wymaga ręcznego określania zależności między zmiennymi. Co więcej, modele uczenia maszynowego, takie jak lasy losowe, potrafią wykrywać złożone, nieliniowe relacje i wykorzystywać je do przewidywania brakujących wartości.

W tym ćwiczeniu poznasz pakiet missForest, który buduje osobny las losowy do przewidywania brakujących wartości dla każdej zmiennej z osobna. Wywołasz funkcję imputacji na zbiorze danych o filmach biograficznych – biopics – z którym pracowałeś wcześniej w kursie, a następnie wyodrębnisz uzupełnione dane oraz szacowane błędy imputacji.

Czas posadzić trochę lasów losowych!

To ćwiczenie jest częścią kursu

Obsługa brakujących danych z imputacją w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Wczytaj pakiet missForest.
  • Użyj funkcji missForest(), aby uzupełnić brakujące wartości w zbiorze danych biopics; przypisz wynik do imp_res.
  • Wyodrębnij uzupełniony zbiór danych z imp_res, przypisz go do imp_data i sprawdź, czy liczba brakujących wartości wynosi rzeczywiście zero.
  • Wyodrębnij szacowany błąd imputacji z imp_res, przypisz go do imp_err i wyświetl w konsoli.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Load the missForest package
___

# Impute biopics data using missForest
imp_res <- ___(___)

# Extract imputed data and check for missing values
imp_data <- imp_res$___
print(___(___(___)))

# Extract and print imputation errors
imp_err <- imp_res$___
print(___)
Edytuj i uruchom kod