Stai costruendo un modello di regressione per prevedere gli esiti dei pazienti. In un dataset di 4.000 pazienti (tutti di età superiore ai 65 anni), 450 record hanno l'età registrata come 0, mentre altre caratteristiche sembrano ragionevoli. Come dovresti gestire questi valori di età errati?

Sostituire i valori di età pari a 0 con la media o la mediana è la strategia migliore. Poiché tutti i pazienti hanno più di 65 anni, un'età di 0 è chiaramente un errore di immissione dati. La rimozione di 450 record (oltre il 10% del dataset) ridurrebbe significativamente la quantità di dati disponibili per l'addestramento, potenzialmente compromettendo le prestazioni del modello. Eliminare completamente la caratteristica dell'età non è consigliabile, in quanto l'età è probabilmente un predittore importante per gli esiti dei pazienti. L'imputazione basata su k-means è più complessa e solitamente utilizzata per valori mancanti, non per errori evidenti come questo, e potrebbe non essere necessaria quando una semplice imputazione statistica è sufficiente.