Kom igångKom igång gratis

Utvärdera imputeringar (flera modeller och variabler)

När du bygger upp en imputeringsmodell är det en bra idé att jämföra den med en annan metod.

I den här lektionen ska du lägga till en sista imputeringsmodell som innehåller ett extra användbart stycke information – något som hjälper till att förklara en del av variationen i datan. Sedan ska du jämföra värdena, precis som du gjorde i föregående lektion.

Den här övningen är en del av kursen

Hantera saknade värden i R

Visa kurs

Övningsinstruktioner

Använd datamängden oceanbuoys:

  • Imputera data med impute_lm() och lägg till year i modellen.
  • Kombinera imputeringsmetoderna, och placera ocean_imp_mean i mean, ocean_imp_lm_wind i lm_wind och ocean_imp_lm_wind_year i lm_wind_year.
  • Titta på värdena för air_temp_c (på x-axeln) och humidity (på y-axeln), färglägg efter eventuella saknade värden och fasettera efter imputeringsmodell.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(~___)
Redigera och kör kod