Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение

📌 Промт дня: как обрабатывать пропущенные значения в данных

Пропуски в данных — не просто шум, а важный сигнал. Как вы их обработаете — влияет на всё: от качества модели до честности метрик.

🎯 Вот промт, который можно дать ChatGPT, чтобы продумать стратегию:

У меня есть датафрейм с пропущенными значениями. Помоги:

– Проанализировать, в каких признаках есть пропуски и сколько их
– Разделить признаки на числовые и категориальные
– Предложить разумные стратегии для каждого типа (например: среднее, медиана, мода, отдельная категория, KNN, IterativeImputer)
– Добавить индикаторные признаки “was\_missing”, если это может быть полезно
– Проверить, связаны ли пропуски с целевой переменной
– Посоветовать визуализации, чтобы увидеть структуру пропусков (heatmap, matrix и т.п.)
– Указать, какие признаки стоит удалить из-за большого числа пропусков

💡 Подходит для ChatGPT в режиме кода или анализа пайплайна. Используйте этот промт, чтобы сэкономить время и продумать работу с пропусками системно.

Библиотека дата-сайентиста #буст

www.tgoop.com/dsproglib/6551

1.6K viewsedited  Jun 12 at 07:12

📌 Промт дня: как обрабатывать пропущенные значения в данных

Пропуски в данных — не просто шум, а важный сигнал. Как вы их обработаете — влияет на всё: от качества модели до честности метрик.

🎯 Вот промт, который можно дать ChatGPT, чтобы продумать стратегию:

У меня есть датафрейм с пропущенными значениями. Помоги:

– Проанализировать, в каких признаках есть пропуски и сколько их
– Разделить признаки на числовые и категориальные
– Предложить разумные стратегии для каждого типа (например: среднее, медиана, мода, отдельная категория, KNN, IterativeImputer)
– Добавить индикаторные признаки “was\_missing”, если это может быть полезно
– Проверить, связаны ли пропуски с целевой переменной
– Посоветовать визуализации, чтобы увидеть структуру пропусков (heatmap, matrix и т.п.)
– Указать, какие признаки стоит удалить из-за большого числа пропусков

BY Библиотека дата-сайентиста | Data Science, Machine learning, анализ данных, машинное обучение