Zacznij terazZacznij za darmo

Imputacja modelowa przy różnych typach zmiennych

Świetna robota z napisaniem funkcji do imputacji metodą regresji logistycznej z losowaniem z rozkładu warunkowego – to naprawdę zaawansowana statystyka! W tym ćwiczeniu połączysz wszystko, czego do tej pory nauczyłeś się o imputacji modelowej, aby uzupełnić braki w różnych typach zmiennych w zbiorze danych tao.

Twoim zadaniem jest iterowanie po zmiennych – tak jak w poprzednim rozdziale – i imputacja dwóch zmiennych:

  • is_hot – nowa zmienna binarna utworzona na podstawie air_temp, przyjmująca wartość 1, gdy air_temp wynosi co najmniej 26 stopni, i 0 w przeciwnym razie;
  • humidity – zmienna ciągła, którą już znasz.

Będziesz musiał użyć poznanej wcześniej funkcji regresji liniowej, a także własnej funkcji do regresji logistycznej. Do dzieła!

To ćwiczenie jest częścią kursu

Obsługa brakujących danych z imputacją w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Ustaw is_hot na NA w miejscach, gdzie pierwotnie brakowało wartości.
  • Dokonaj imputacji is_hot za pomocą regresji logistycznej, używając sea_surface_temp jako jedynego predyktora; skorzystaj ze swojej funkcji impute_logreg().
  • Ustaw humidity na NA w miejscach, gdzie pierwotnie brakowało wartości.
  • Dokonaj imputacji humidity za pomocą regresji liniowej, używając sea_surface_temp i air_temp jako predyktorów.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Initialize missing values with hot-deck
tao_imp <- hotdeck(tao)

# Create boolean masks for where is_hot and humidity are missing
missing_is_hot <- tao_imp$is_hot_imp
missing_humidity <- tao_imp$humidity_imp

for (i in 1:3) {
  # Set is_hot to NA in places where it was originally missing and re-impute it
  ___ <- NA
  tao_imp <- ___(tao_imp, ___ ~ ___)
  # Set humidity to NA in places where it was originally missing and re-impute it
  ___ <- NA
  tao_imp <- ___(tao_imp, ___ ~ sea_surface_temp + ___)
}
Edytuj i uruchom kod