Tengo un conjunto de datos para predecir el precio de venta de las casas. Realicé un análisis de PCA en la variable continua sin cambiar ni limpiar los datos. El análisis sugirió que 26 componentes de los 31 componentes explicaron el 96% de la variabilidad.
Así que guardé los valores de estos 26 componentes. También creé la columna Actualizado LotFrontage ya que la parte frontal del lote tenía mucho valor perdido. como el Ahora estoy tratando de ejecutar un análisis predictivo (Neural, K-Mean) eligiendo todos los 26 componentes guardados y todas las variables categóricas restantes como Factor X y precio de venta como Y .
Quiero tener un R-Square más alto y un RMSE más bajo para los datos de entrenamiento en comparación con los datos de alidación.
¿Hay una mejor manera de limpiar estos datos?
