没有完美的数据插补法，只有最适合的

六、多重插补

• 插补：将不完整数据集缺失的观测行估算填充m次(图中m=3)。请注意，填充值是从某种分布中提取的。模拟随机抽取并不包含模型参数的不确定性。更好的方法是采用马尔科夫链蒙特卡洛模拟(MCMC，Markov Chain Monte Carlo Simulation)。这一步骤将生成m个完整的数据集。
• 分析：分别对(m个)每一个完整数据集进行分析。
• 合并：将m个分析结果整合为最终结果。

来源：http://www.stefvanbuuren.nl/publications/mice%20in%20r%20-%20draft.pdf

# We will be using mice library in r 
library(mice) 
# Deterministic regression imputation via mice 
imp <- mice(mydata, method = "norm.predict", m = 1) 
 
# Store data 
data_imp <- complete(imp) 
 
# Multiple Imputation 
imp <- mice(mydata, m = 5) 
 
#build predictive model 
fit <- with(data = imp, lm(y ~ x + z)) 
 
#combine results of all 5 models 
combine <- pool(fit) 

这是迄今为止最优选的插补方法，因为它非常易于使用，并且在插补模型正确的情况下它不会引入偏差。

七、分类变量插补

• 众数插补法算是一个法子，但它肯定会引入偏差。
• 缺失值可以被视为一个单独的分类类别。我们可以为它们创建一个新类别并使用它们。这是最简单的方法了。
• 预测模型：这里我们创建一个预测模型来估算用来替代缺失数据位置的值。这种情况下，我们将数据集分为两组：一组剔除缺少数据的变量(训练组)，而另一组则包括缺失变量(测试组)。我们可以用逻辑回归和ANOVA等方法来进行预测。
• 多重插补法。

八、KNN(K近邻)

能够用于数据插补的机器学习方法有很多，比如XGBoost与Random Forest，但在这里我们讨论KNN方法，因为它被广泛应用。在本方法中，我们根据某种距离度量选择出k个“邻居”，他们的均值就被用于插补缺失数据。这个方法要求我们选择k的值(最近邻居的数量)，以及距离度量。KNN既可以预测离散属性(k近邻中最常见的值)也可以预测连续属性(k近邻的均值)。

（编辑：惠州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!