НачатьНачать бесплатно

Оценка импутаций (несколько моделей и переменных)

При построении модели импутации полезно сравнивать её с другими методами.

В этом уроке вы добавите финальную модель импутации, включающую дополнительный информативный признак, который помогает объяснить часть вариации в данных. Затем вы сравните полученные значения так же, как делали это в предыдущем уроке.

Это упражнение является частью курса

Работа с пропущенными данными в R

Посмотреть курс

Инструкции к упражнению

Используя набор данных oceanbuoys:

  • Выполните импутацию данных с помощью impute_lm(), добавив year в модель.
  • Объедините методы импутации, поместив ocean_imp_mean в mean, ocean_imp_lm_wind в lm_wind, а ocean_imp_lm_wind_year в lm_wind_year.
  • Постройте график: по оси X — значения air_temp_c, по оси Y — humidity, раскрасьте точки по наличию пропусков и разбейте на фасеты по модели импутации.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Build a model adding year to the outcome
ocean_imp_lm_wind_year <- bind_shadow(___) %>%
  impute_lm(air_temp_c ~ wind_ew + wind_ns + ___) %>%
  impute_lm(humidity ~ wind_ew + wind_ns + ___) %>%
  add_label_shadow()

# Bind the mean, lm_wind, and lm_wind_year models together
bound_models <- bind_rows(mean = ocean_imp_mean,
                          lm_wind = ocean_imp_lm_wind,
                          lm_wind_year = ___,
                          .id = "imp_model")

# Explore air_temp and humidity, coloring by any missings, and faceting by imputation model
ggplot(___, aes(x = ___, y = ___, color = any_missing)) + 
  geom_point() + facet_wrap(~___)
Редактировать и запускать код