Сравнение и выбор наилучшего скорректированного R-квадрата
При анализе импутированных датафреймов на линейной модели скорректированный R-квадрат (\(adj.R^2\)) отражает качество подгонки модели.
В этом упражнении вы сравните значения \(adj.R^2\) для линейных моделей (по каждому из импутированных наборов данных), созданных ранее: lm_mean, lm_KNN и lm_MICE соответственно.
Сначала вы аккуратно выведете их атрибуты rsquared_adj (создав датафрейм), а затем выберете модель с максимальным значением \(adj.R^2\).
Указанные модели уже загружены для вас как lm_mean, lm_KNN и lm_MICE.
Это упражнение является частью курса
Работа с пропущенными данными в Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)