Kom igångKom igång gratis

kNN-tips och tricks I: viktning av donatorer

En vanlig variant av kNN-imputering använder så kallad avståndsviktad aggregering. Det innebär att när vi aggregerar värdena från grannarna för att ersätta ett saknat värde, använder vi det viktade medelvärdet – där vikterna är de inverterade avstånden till varje granne. Närmare grannar får alltså större påverkan på det imputerade värdet.

I den här övningen tillämpar du avståndsviktad aggregering när du imputerar tao-data. Det kräver bara att du skickar med två ytterligare argument till funktionen kNN(). Testa det!

Den här övningen är en del av kursen

Hantering av saknade värden med imputering i R

Visa kurs

Övningsinstruktioner

  • Ladda paketet VIM.
  • Imputera humidity med kNN och använd avståndsviktat medelvärde för att aggregera grannar; du behöver ange argumenten numFun och weightDist.
  • Marginalkurvan för att visa resultaten är redan inlagd i koden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Load the VIM package
___(___)

# Impute humidity with kNN using distance-weighted mean
tao_imp <- ___(tao, 
               k = 5, 
               variable = "humidity", 
               ___ = ___,
               ___ = ___)

tao_imp %>% 
	select(sea_surface_temp, humidity, humidity_imp) %>% 
	marginplot(delimiter = "imp")
Redigera och kör kod