Iteracyjna imputacja
W poprzednim ćwiczeniu imputowałeś brakujące wartości w zbiorze loan_data za pomocą średniej. Jednak podczas rozmowy rekrutacyjnej z zakresu uczenia maszynowego prawdopodobnie zostaniesz zapytany o bardziej dynamiczne techniki imputacji, które wykorzystują inne cechy z zbioru danych.
W tym ćwiczeniu przećwiczysz podejście oparte na uczeniu maszynowym: brakujące wartości zostaną uzupełnione jako funkcja pozostałych cech, z użyciem IterativeImputer() z modułu sklearn.impute. Jest to wielowymiarowy imputator, który szacuje każdą cechę na podstawie wszystkich pozostałych w trybie „round-robin".
Zwróć uwagę, że ta funkcja jest traktowana jako eksperymentalna – zapoznaj się z dokumentacją, aby dowiedzieć się więcej.
Jesteś w tym samym miejscu w potoku przetwarzania:
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Explicitly require this experimental feature
from sklearn.experimental import enable_iterative_imputer
# Now you can import normally from sklearn.impute
from sklearn.impute import IterativeImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(____=[____.____])