KNN-imputatie

Machine Learning met caret in R

Zach Mayer

Data Scientist at DataRobot and co-author of caret

Omgaan met missende waarden

Mediaanimputatie is snel, maar…
Kan fout zijn als missings niet willekeurig zijn
k-nearest neighbors (KNN)-imputatie
Imputeert op basis van "vergelijkbare" niet-missende rijen

Voorbeeld: niet willekeurig missend

Stel dat kleinere auto's geen pk rapporteren
Mediaanimputatie is hier fout: veronderstelt dat kleine auto's middelgrote-grote pk hebben

# Generate data with missing values
mtcars[mtcars$disp < 140, "hp"] <- NA
Y <- mtcars$mpg
X <- mtcars[, 2:4]

# Use median imputation
model <- train(X, Y, method = "glm", preProcess = "medianImpute")
print(min(model$results$RMSE))

3.612713

Voorbeeld: niet willekeurig missend

KNN-imputatie is beter
Gebruikt auto's met vergelijkbare disp/cyl om te imputeren
Geeft een nauwkeuriger (maar trager) model

# Use KNN imputation
set.seed(42)
model <- train(
  X, Y, method = "glm", preProcess = "knnImpute"
)
print(min(model$results$RMSE))

3.558881

Vergelijk met 3,61 voor mediaanimputatie

Laten we oefenen!

Machine Learning met caret in R