Jämför KNN- och medianimputation

Alla förbehandlingssteg i funktionen train() utförs på träningsdelen av varje korsvalideringsveck, så de felmått som rapporteras inkluderar effekterna av förbehandlingen.

Detta gäller även den imputeringsmetod som används (t.ex. knnImpute eller medianImpute). Det är användbart eftersom du kan jämföra olika imputeringsmetoder och välja den som presterar bäst på data som modellen inte tränat på.

median_model och knn_model finns tillgängliga i din arbetsmiljö, liksom resamples, som innehåller de omsamplade resultaten för båda modellerna. Undersök modellresultaten genom att anropa

dotplot(resamples, metric = "ROC")

och välj den metod som presterar bäst på osedd data. Vilken imputeringsmetod ger det högsta out-of-sample ROC-värdet för din glm-modell?