Iterativ imputering
I föregående övning använde du medelvärdesimputering för saknade värden i loan_data. I en maskininlärningsintervju kommer du dock troligen att få frågor om mer dynamiska imputeringstekniker som utnyttjar övriga särdrag i datamängden.
I den här övningen tränar du på en maskininlärningsbaserad metod: att imputera saknade värden som en funktion av övriga särdrag med hjälp av IterativeImputer() från sklearn.impute. Det är en multivariat imputerare som skattar varje särdrag utifrån alla de övriga i ett roterande schema.
Observera att den här funktionen betraktas som experimentell – läs gärna dokumentationen för mer information.
Du befinner dig på samma plats i pipeline:n:
Den här övningen är en del av kursen
Öva på maskininlärningsintervjufrågor i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Explicitly require this experimental feature
from sklearn.experimental import enable_iterative_imputer
# Now you can import normally from sklearn.impute
from sklearn.impute import IterativeImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(____=[____.____])