Imputação iterativa
No exercício anterior, você calculou imputações pela média para valores ausentes em loan_data. Porém, em uma entrevista de Machine Learning, é provável que perguntem sobre técnicas de imputação mais dinâmicas que usam outras variáveis do conjunto de dados.
Neste exercício, você vai praticar uma abordagem baseada em Machine Learning, imputando valores ausentes como função das demais variáveis usando IterativeImputer() de sklearn.impute. Trata-se de um imputador multivariado que estima cada variável a partir de todas as outras em um esquema "round-robin".
Observe que essa função é considerada experimental; confira a documentação para mais informações.
Você está no mesmo ponto do Pipeline:
Este exercício faz parte do curso
Praticando perguntas de entrevista de Machine Learning em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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 = ____.____(____=[____.____])