Değişken bazında atama hataları

Önceki egzersizde missForest çıktısından tahmini atama hatalarını çıkarmıştın. Bu sana iki sayı verdi:

tüm sürekli değişkenler için normalize edilmiş kök ortalama kare hata (NRMSE);
tüm kategorik değişkenler için yanlış sınıflandırılan girişlerin oranı (PFC).

Ancak olabilir ki atama modeli bir sürekli değişken için harika çalışırken bir başkası için zayıf performans göstersin! Bu tür durumları teşhis etmek için missForest'a değişken bazında hata tahminleri üretmesini söylemen yeterli. Bunu variablewise argümanını TRUE olarak ayarlayarak yaparsın.

biopics verileri ve missForest paketi senin için zaten yüklendi, hadi hatalara daha yakından bakalım!

Bu egzersiz

R'de Atamaya Dayalı Eksik Veri Doldurma

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Impute biopics data with missForest computing per-variable errors
imp_res <- ___(___, ___ = ___)

Kodu Düzenle ve Çalıştır

Bu egzersiz

R'de Atamaya Dayalı Eksik Veri Doldurma

kursunun bir parçasıdır

AvançadoNível de habilidade

4.7+

Kursa Ücretsiz Başlayın

In this chapter, you’ll find out why missing data can be a risk when analyzing a dataset. You’ll be introduced to the three missing data mechanisms and learn how to recognize them using statistical tests and visualization tools.

Exercise 1: Missing data: what can go wrong Exercise 2: Linear regression with incomplete data Exercise 3: Analyzing regression output Exercise 4: Comparing models Exercise 5: Missing data mechanisms Exercise 6: Recognizing missing data mechanisms Exercise 7: t-test for MAR: data preparation Exercise 8: t-test for MAR: interpretation Exercise 9: Visualizing missing data patterns Exercise 10: Aggregation plot Exercise 11: Spine plot Exercise 12: Mosaic plot

Get to know the taxonomy of imputation methods and learn three donor-based techniques: mean, hot-deck, and k-Nearest-Neighbors imputation. You’ll look under the hood to see how these methods work, before learning how to apply them to a real-world tropical weather dataset. Along the way, you’ll also learn useful tricks that you can use to make them work even better for your problems.

Exercise 1: Mean imputation Exercise 2: Smelling the danger of mean imputation Exercise 3: Mean-imputing the temperature Exercise 4: Assessing imputation quality with margin plot Exercise 5: Hot-deck imputation Exercise 6: Vanilla hot-deck Exercise 7: Hot-deck tricks & tips I: imputing within domains Exercise 8: Hot-deck tricks & tips II: sorting by correlated variables Exercise 9: k-Nearest-Neighbors imputation Exercise 10: Choosing the number of neighbors Exercise 11: kNN tricks & tips I: weighting donors Exercise 12: kNN tricks & tips II: sorting variables

It’s time to learn how to use statistical and machine learning models, such as linear regression, logistic regression, and random forests, to impute missing data. In this chapter, you’ll look into how the models make their predictions and use this knowledge to draw the imputed values from conditional distributions. This is important as it ensures your imputations are more varied and plausible, making them more similar to the true data.

Exercise 1: Model tabanlı doldurma yaklaşımı Exercise 2: Lineer regresyonla atama Exercise 3: Eksik değerleri başlatma ve değişkenler üzerinde yineleme Exercise 4: Yakınsamayı tespit etme Exercise 5: Veri değişkenliğini çoğaltma Exercise 6: Lojistik regresyon ile atama Exercise 7: Koşullu dağılımdan çekim yapmak Exercise 8: Birden çok değişken türüyle model tabanlı imputasyon Exercise 9: Ağaç tabanlı imputasyon Exercise 10: Rastgele ormanlarla imputasyon Exercise 11: Değişken bazında atama hataları

Geçerli Egzersiz

Exercise 12: Hız-doğruluk dengesi

Imputed values are not set in stone. They are just estimates and estimates come with some uncertainty. In this final chapter, you’ll discover how bootstrapping and chained equation using the mice package can be used to incorporate imputation uncertainty into your models and analyses to make them more reliable and robust.

Exercise 1: Multiple imputation by bootstrapping Exercise 2: Wrapping imputation & modeling in a function Exercise 3: Running the bootstrap Exercise 4: Bootstrapping confidence intervals Exercise 5: Multiple imputation by chained equations Exercise 6: The mice flow: mice - with - pool Exercise 7: Choosing default models Exercise 8: Using predictor matrix Exercise 9: Putting it all together Exercise 10: Analyzing missing data patterns Exercise 11: Imputing and inspecting outcomes Exercise 12: Inference with imputed data Exercise 13: Final remarks