Ga naar hoofdinhoud
HomeR

Cursus

Omgaan met missende data met imputaties in R

GevorderdVaardigheidsniveau
Bijgewerkt 10-2022
Diagnoseer, visualiseer en behandel ontbrekende gegevens met verschillende imputatietechnieken en tips om je resultaten te verbeteren.
Start Cursus Kosteloos
RData Manipulation
4 u
13 videos
49 Opdrachten
4,200 XP
6,218
Bewijs van Prestatie

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Geliefd bij leerlingen van duizenden bedrijven

Group

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Missende data komt overal voor. Het proces van het invullen van ontbrekende waarden heet imputatie. Weten hoe je dit goed aanpakt is essentieel als je nauwkeurige voorspellingen wilt maken en je wilt onderscheiden van de rest. In deze cursus leer je met visualisaties en statistische toetsen patronen van missende data herkennen en hoe je data kunt imputeren met een reeks statistische en Machine Learning-modellen. Je ontwikkelt ook besluitvaardigheid: je leert kiezen welke imputatiemethode het best past bij een bepaalde situatie. Tot slot leer je onzekerheid uit imputatie mee te nemen in je inferenties en voorspellingen, zodat die robuuster en betrouwbaarder worden.

Vereisten

Intermediate Regression in RDealing With Missing Data in R
1

Het probleem van missende data

In dit hoofdstuk ontdek je waarom missende data een risico kan zijn bij het analyseren van een gegevensset. Je maakt kennis met de drie mechanismen achter missende data en leert ze herkennen met statistische toetsen en visualisatietools.
Hoofdstuk beginnen
2

Donorgebaseerde imputatie

Leer de taxonomie van imputatiemethoden kennen en drie donorgebaseerde technieken: gemiddelde-, hot-deck- en k-Nearest-Neighbors-imputatie. Je kijkt onder de motorkap om te zien hoe deze methoden werken, voordat je ze toepast op een echte gegevensset met tropisch weer. Onderweg leer je ook handige trucs om ze nog beter te laten werken voor jouw problemen.
Hoofdstuk beginnen
3

Modelgebaseerde imputatie

Tijd om statistische en Machine Learning-modellen, zoals lineaire regressie, logistische regressie en random forests, te gebruiken om missende data te imputeren. In dit hoofdstuk kijk je hoe de modellen hun voorspellingen maken en gebruik je die kennis om de geïmputeerde waarden te trekken uit conditionele verdelingen. Dat is belangrijk, omdat je imputaties zo gevarieerder en plausibeler worden en meer lijken op de echte data.
Hoofdstuk beginnen
4

Onzekerheid door imputatie

Geïmputeerde waarden staan niet in steen gebeiteld. Het zijn schattingen, en schattingen brengen onzekerheid met zich mee. In dit laatste hoofdstuk ontdek je hoe bootstrapping en gekoppelde vergelijkingen met het pakket mice kunnen worden gebruikt om onzekerheid door imputatie op te nemen in je modellen en analyses, zodat ze betrouwbaarder en robuuster worden.
Hoofdstuk beginnen
Omgaan met missende data met imputaties in R
Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Omgaan met missende data met imputaties in R!

Maak je kosteloos account aan

Ga verder met GoogleMeer opties weergeven

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.

Download on the App StoreGet it on Google Play