Prosta imputacja
Jak widziałeś(-aś) w poprzednim ćwiczeniu, usuwanie danych może nadmiernie zmniejszyć zbiór danych. W kontekście rozmowy kwalifikacyjnej może to prowadzić do stronniczych wyników modelu uczenia maszynowego.
Bardziej elastycznym sposobem radzenia sobie z brakującymi wartościami jest ich imputacja. W Pythonie można to zrobić na wiele sposobów, jednak w tym ćwiczeniu użyjesz funkcji SimpleImputer() z modułu sklearn.impute na zbiorze loan_data.
Następnie skorzystasz z bibliotek pandas i numpy, aby przekształcić zaimputowany zbiór danych w obiekt DataFrame.
Zwróć uwagę, że do potoku zostały dodane 2 nowe kroki – Instantiate i Fit:
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import imputer module
from sklearn.impute import SimpleImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(include=[____.____])