Простая импутация
Как вы видели в предыдущем упражнении, удаление данных может значительно сократить набор данных. В контексте собеседования это может привести к смещённым результатам модели машинного обучения.
Более гибкий способ работы с пропущенными значениями — импутация. В Python существует несколько подходов к её реализации, однако в этом упражнении вы воспользуетесь функцией SimpleImputer() из модуля sklearn.impute и применёте её к набору данных loan_data.
Затем с помощью pandas и numpy вы преобразуете результат импутации обратно в DataFrame.
Обратите внимание: в конвейер добавлены 2 новых шага — Instantiate и Fit:
Это упражнение является частью курса
Практика вопросов интервью по машинному обучению на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import imputer module
from sklearn.impute import SimpleImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(include=[____.____])