การ impute ด้วย KNN

ชุดข้อมูลมักมีฟีเจอร์ที่มีความสัมพันธ์กัน ดังนั้นการนำความสัมพันธ์เหล่านี้มาพิจารณาในการ impute ค่าที่หายไปจึงเป็นสิ่งสำคัญ โมเดล machine learning ใช้ฟีเจอร์ใน DataFrame เพื่อค้นหาความสัมพันธ์และรูปแบบในข้อมูล แล้วจึงทำนายฟีเจอร์ที่ต้องการ

หนึ่งในโมเดลที่เรียบง่ายและมีประสิทธิภาพมากที่สุดคือ K Nearest Neighbors ซึ่งจะค้นหาจุดข้อมูล 'K' จุดที่ใกล้เคียงกับข้อมูลที่มีอยู่มากที่สุด เพื่อนำมา impute ค่าที่หายไป

ในแบบฝึกหัดนี้ DataFrame diabetes ถูกโหลดไว้ให้แล้ว ให้ใช้แพ็กเกจ fancyimpute เพื่อ impute ค่าที่หายไปใน DataFrame diabetes

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การจัดการข้อมูลที่หายไปใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

Import KNN จาก fancyimpute
คัดลอก diabetes ไปยัง diabetes_knn_imputed
สร้างออบเจกต์ KNN() และกำหนดให้กับตัวแปร knn_imputer
Impute DataFrame diabetes_knn_imputed

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import KNN from fancyimpute
___

# Copy diabetes to diabetes_knn_imputed
diabetes_knn_imputed = ___

# Initialize KNN
knn_imputer = ___

# Impute using fit_tranform on diabetes_knn_imputed
diabetes_knn_imputed.iloc[:, :] = ___

แก้ไขและรันโค้ด