Bù giá trị thiếu theo vòng lặp (Iterative imputation)
Ở bài trước, bạn đã tính bù trung bình cho các giá trị thiếu trong loan_data. Tuy nhiên, trong một buổi phỏng vấn về machine learning, bạn thường sẽ được hỏi về những kỹ thuật bù giá trị thiếu linh hoạt hơn, dựa trên các đặc trưng khác trong bộ dữ liệu.
Trong bài này, bạn sẽ thực hành một cách tiếp cận dựa trên machine learning bằng cách bù các giá trị thiếu như một hàm của các đặc trưng còn lại, sử dụng IterativeImputer() từ sklearn.impute. Đây là một bộ bù đa biến (multivariate imputer) ước lượng từng đặc trưng dựa trên tất cả các đặc trưng khác theo kiểu "vòng quay" (round-robin).
Lưu ý rằng hàm này hiện ở trạng thái thử nghiệm, vì vậy hãy đọc thêm trong tài liệu.
Bạn đang ở cùng vị trí trong Pipeline:
Bài tập này là một phần của khóa học
Luyện tập câu hỏi phỏng vấn Machine Learning bằng Python
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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 = ____.____(____=[____.____])