Порівняння та вибір найкращого скоригованого R-квадрата
Під час аналізу датафреймів з імпутацією в лінійній моделі показник скоригованого R-квадрата (\(adj.R^2\)) відображає, наскільки добре модель підходить даним.
У цій вправі ви порівняєте значення \(adj.R^2\) у лінійних моделей (для кожного з імпутованих наборів даних), які ви створили раніше: lm_mean, lm_KNN та lm_MICE відповідно.
Спочатку акуратно виведіть (створивши DataFrame) їхні атрибути rsquared_adj, а потім оберіть модель з максимальним \(adj.R^2\).
Зазначені моделі вже завантажено для вас як lm_mean, lm_KNN та lm_MICE.
Ця вправа є частиною курсу
Робота з пропущеними даними в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Store the Adj. R-squared scores of the linear models
rsquared_df = pd.DataFrame({'Mean Imputation': ___,
'KNN Imputation': ___,
'MICE Imputation': ___},
index=['Adj. R-squared'])
# Neatly print the Adj. R-squared scores in the console
print(rsquared_df)