迭代插补

在上一个练习中，您为 loan_data 的缺失值计算了均值插补。不过，在机器学习面试中，面试官通常还会问到更灵活的插补方法，这类方法会利用数据集中其他特征的信息。

在本练习中，您将练习一种基于机器学习的思路：使用 sklearn.impute 中的 IterativeImputer()，将缺失值表示为其余特征的函数进行插补。这是一种多变量插补器，会以"轮询（round-robin）"的方式，用所有其他特征来估计每个特征。

请注意，该函数仍属实验性功能，更多信息请阅读文档。

您在 Pipeline 中仍位于相同位置：

Machine learning pipeline

本练习是课程的一部分

用 Python 练习机器学习面试题

查看课程

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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 = ____.____(____=[____.____])

编辑并运行代码