Jämföra och välja det bästa justerade R-kvadratvärdet
Vid analys av imputerade DataFrames på en linjär modell är det justerade R-kvadratvärdet (\(adj.R^2\)) det mått som beskriver hur väl modellen passar datan.
I den här övningen ska du jämföra \(adj.R^2\)-värdena för de linjära modellerna (för var och en av de imputerade datamängderna) som du skapade tidigare, nämligen lm_mean, lm_KNN respektive lm_MICE.
Du skapar en DataFrame för att presentera attributet rsquared_adj på ett överskådligt sätt och väljer sedan modellen med det högsta \(adj.R^2\)-värdet.
Modellerna ovan har redan laddats in åt dig som lm_mean, lm_KNN och lm_MICE.
Den här övningen är en del av kursen
Hantera saknade värden i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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)