Lewati ke konten utama

Kursus

Menangani Data Hilang dengan Imputasi di R

LanjutanTingkat Keterampilan

Diperbarui 10/2022

Diagnosis, visualisasikan, dan atasi data yang hilang dengan berbagai teknik imputasi, disertai tips untuk meningkatkan hasil Anda.

Mulai Kursus Gratis

RData Manipulation

4 jam

13 videos

49 Latihan

4,200 XP

6,218

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Data hilang ada di mana-mana. Proses mengisi nilai yang hilang dikenal sebagai imputasi, dan mengetahui cara mengisi data hilang dengan benar adalah keterampilan penting jika Anda ingin menghasilkan prediksi yang akurat dan menonjol dari yang lain. Dalam kursus ini, Anda akan mempelajari cara menggunakan visualisasi dan uji statistik untuk mengenali pola data hilang serta cara melakukan imputasi menggunakan kumpulan model statistik dan Machine Learning. Anda juga akan mengasah kemampuan mengambil keputusan, membantu Anda menentukan metode imputasi yang paling sesuai untuk situasi tertentu. Terakhir, Anda akan mempelajari cara memasukkan ketidakpastian dari imputasi ke dalam inferensi dan prediksi Anda, sehingga menjadi lebih tangguh dan andal.

Persyaratan

Intermediate Regression in R Dealing With Missing Data in R

1

Masalah Data Hilang

Di bab ini, Anda akan mengetahui mengapa data hilang dapat menjadi risiko saat menganalisis himpunan data. Anda akan diperkenalkan pada tiga mekanisme data hilang dan mempelajari cara mengenalinya menggunakan uji statistik dan alat visualisasi.

Data hilang: apa saja yang bisa salah

Regresi linear dengan data tidak lengkap

Menganalisis keluaran regresi

Membandingkan model

Mekanisme data hilang

Mengenali mekanisme data hilang

uji t untuk MAR: persiapan data

uji t untuk MAR: interpretasi

Memvisualisasikan pola data hilang

Plot agregasi

Plot mosaik

2

Imputasi Berbasis Donor

Kenali taksonomi metode imputasi dan pelajari tiga teknik berbasis donor: imputasi rata-rata, hot-deck, dan k-Nearest-Neighbors. Anda akan melihat cara kerja metode-metode ini di balik layar, sebelum mempelajari cara menerapkannya pada himpunan data cuaca tropis dunia nyata. Sepanjang proses, Anda juga akan mempelajari kiat berguna yang dapat Anda gunakan untuk membuatnya bekerja lebih baik bagi permasalahan Anda.

Imputasi mean

Mencium bahaya imputasi rata-rata

Imputasi rata-rata untuk temperatur

Menilai kualitas imputasi dengan margin plot

Imputasi hot-deck

Hot-deck standar

Trik & kiat hot-deck I: imputasi di dalam domain

Trik & kiat hot-deck II: mengurutkan berdasarkan variabel berkorelasi

Imputasi k-Nearest-Neighbors

Memilih jumlah tetangga

Trik & kiat kNN I: pembobotan donor

kNN: kiat & trik II — mengurutkan variabel

3

Imputasi Berbasis Model

Saatnya mempelajari cara menggunakan model statistik dan Machine Learning, seperti regresi linear, regresi logistik, dan random forest, untuk melakukan imputasi data hilang. Di bab ini, Anda akan menelaah bagaimana model membuat prediksinya dan menggunakan pengetahuan tersebut untuk mengambil nilai hasil imputasi dari sebaran bersyarat. Hal ini penting karena memastikan hasil imputasi Anda lebih beragam dan masuk akal, sehingga lebih menyerupai data sebenarnya.

Pendekatan imputasi berbasis model

Imputasi regresi linear

Menginisialisasi nilai yang hilang & iterasi atas variabel

Mendeteksi konvergensi

Mereplikasi variabilitas data

Imputasi dengan regresi logistik

Mengambil sampel dari distribusi kondisional

Imputasi berbasis model dengan berbagai tipe variabel

Imputasi berbasis pohon

Imputasi dengan random forests

Kesalahan imputasi per variabel

Pertukaran kecepatan–akurasi

4

Ketidakpastian dari Imputasi

Nilai hasil imputasi bukanlah harga mati. Itu hanyalah taksiran, dan taksiran memiliki ketidakpastian. Di bab terakhir ini, Anda akan mempelajari bagaimana bootstrapping dan chained equations menggunakan paket mice dapat digunakan untuk memasukkan ketidakpastian imputasi ke dalam model dan analisis Anda agar lebih andal dan tangguh.

Imputasi berganda dengan bootstrapping

Membungkus imputasi & pemodelan ke dalam sebuah fungsi

Menjalankan bootstrap

Interval kepercayaan dengan bootstrapping

Multiple imputation dengan persamaan berantai

Alur mice: mice - with - pool

Memilih model bawaan

Menggunakan matriks prediktor

Menggabungkan semuanya

Menganalisis pola data hilang

Mengimputasi dan memeriksa keluaran

Inferensi dengan data imputasi

Catatan penutup

Menangani Data Hilang dengan Imputasi di R

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Menangani Data Hilang dengan Imputasi di R Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.