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, kursun bir parçasıdır
R'de Atamaya Dayalı Eksik Veri Doldurma
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Impute biopics data with missForest computing per-variable errors
imp_res <- ___(___, ___ = ___)