Comparando e escolhendo o melhor R-quadrado ajustado
Durante a análise de DataFrames imputados em um modelo linear, o R-quadrado ajustado (\(adj.R^2\)) indica o modelo com melhor ajuste.
Neste exercício, você vai comparar os escores de \(adj.R^2\) dos modelos lineares (para cada um dos conjuntos de dados imputados) que você criou anteriormente: lm_mean, lm_KNN e lm_MICE, respectivamente.
Primeiro, você vai imprimir de forma organizada (criando um DataFrame) seus atributos rsquared_adj e, por fim, escolher o modelo com o maior \(adj.R^2\).
Os modelos acima já foram carregados para você como lm_mean, lm_KNN e lm_MICE.
Este exercício faz parte do curso
Lidando com Dados Ausentes em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Store the Adj. R-squared scores of the linear models
rsquared_df = pd.DataFrame({'Mean Imputation': ___,
'KNN Imputation': ___,
'MICE Imputation': ___},
index=['Adj. R-squared'])
# Neatly print the Adj. R-squared scores in the console
print(rsquared_df)