Ітеративна імпутація
У попередній вправі ви виконали імпутацію середнім для пропусків у loan_data. Однак на співбесіді з машинного навчання вас, імовірно, запитають про більш динамічні методи імпутації, які спираються на інші ознаки в наборі даних.
У цій вправі ви попрактикуєте підхід на основі машинного навчання: заповните пропуски як функцію від решти ознак, використовуючи IterativeImputer() з sklearn.impute. Це багатовимірний імпутер, який оцінює кожну ознаку за всіма іншими у „круговому" порядку.
Зверніть увагу, що ця функція вважається експериментальною, тож ознайомтеся з документацією для докладнішої інформації.
Ви перебуваєте на тому самому етапі в Pipeline:
Ця вправа є частиною курсу
Практика співбесід з Machine Learning у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Explicitly require this experimental feature
from sklearn.experimental import enable_iterative_imputer
# Now you can import normally from sklearn.impute
from sklearn.impute import IterativeImputer
# Subset numeric features: numeric_cols
numeric_cols = ____.____(____=[____.____])