Que se mueran los pobres - Un modelo de regresión logística para predecir la supervivencia en el Titanic
En este post, vamos a crear un modelo de regresión logística para calcular la probabilidad de supervivencia en el Titanic. Las explicaciones y el código en R están debajo, pero me gustaría comentar algunas cosas previamente. SOBRE LA IMPUTACIÓN DE DATOS FALTANTES Una de las principales dificultades del modelo es la cantidad de datos con NA que tenemos. La imputación, o eliminación, de datos faltantes es una de las tareas más importantes en el pre-procesamiento en Machine Learning. En este caso, la cantidad de veces que aparece Age = NA es demasiado grande para borrarlos. Lo que tenemos que hacer es imputarlos, que puede hacerse de varias formas. La más sencilla es imputalos a la media (datos no sesgados) o a la mediana (datos sesgados). Y una forma más compleja, pero que puede dar mejores resultados es usar regresión logística en otras variables para estimar su valor. Esta última, en una versión ...