Vous construisez un modèle de régression pour prédire les résultats des patients. Dans un ensemble de données de 4 000 patients (tous âgés de plus de 65 ans), 450 enregistrements ont l'âge enregistré comme 0 alors que les autres caractéristiques semblent raisonnables. Comment devriez-vous gérer ces valeurs d'âge incorrectes ?

La substitution des valeurs d'âge de 0 par la moyenne ou la médiane est la meilleure approche. Étant donné que tous les patients ont plus de 65 ans, une valeur d'âge de 0 est clairement une erreur de saisie ou une donnée manquante. La suppression de ces 450 enregistrements (plus de 10 % de l'ensemble de données) entraînerait une perte d'informations précieuses provenant des autres caractéristiques. La suppression complète de la caractéristique d'âge est également une mauvaise idée, car l'âge est probablement un prédicteur important des résultats pour les patients. Le clustering k-means est une technique de regroupement non supervisé et n'est pas directement adapté pour l'imputation de valeurs manquantes dans ce scénario.