比较并选择最佳的调整后 R-squared
在对线性模型的插补后 DataFrame 进行分析时，调整后 R-squared（$adj.R^2$）用于评估模型的拟合优度。
本练习中，您将比较之前为每个插补数据集创建的线性模型的 \(adj.R^2\) 分数，分别为 lm_mean、lm_KNN 和 lm_MICE。
您将先整洁地打印它们的 rsquared_adj 属性（通过创建一个 DataFrame），最后选择 \(adj.R^2\) 最大的模型。
上述模型已为您加载为 lm_mean、lm_KNN 和 lm_MICE。
本练习是课程的一部分
在 Python 中处理缺失数据
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)