KNN ile atama (imputation)
Veri kümelerinde çoğu zaman birbiriyle ilişkili özellikler bulunur. Bu yüzden, eksik değerleri atarken bu ilişkileri dikkate almak önemlidir. Machine Learning modelleri, DataFrame'deki özellikleri kullanarak korelasyonları ve kalıpları bulur ve seçilen bir özelliği tahmin eder.
En basit ve en verimli modellerden biri K En Yakın Komşular (K Nearest Neighbors)'dır. Eksik değerleri atamak için mevcut veri noktalarına en çok benzeyen 'K' noktayı bulur.
Bu egzersizde diabetes DataFrame'i senin için yüklendi. fancyimpute paketini kullanarak diabetes DataFrame'indeki eksik değerleri ata.
Bu egzersiz, kursun bir parçasıdır
Python'da Eksik Verilerle Çalışma
Egzersiz talimatları
fancyimputeiçindenKNN'yi içe aktar.diabetes'ıdiabetes_knn_imputedolarak kopyala.- Bir
KNN()nesnesi oluştur veknn_imputerdeğişkenine ata. diabetes_knn_imputedDataFrame'ini impute et.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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[:, :] = ___