专栏首页机器学习之旅应用:数据预处理-缺失值填充

应用:数据预处理-缺失值填充

个人不建议填充缺失值,建议设置哑变量或者剔除该变量,填充成本较高

常见填充缺失值的方法:

1.均值、众数填充,填充结果粗糙对模型训练甚至有负面影响

2.直接根据没有缺失的数据线性回归填充,这样填充的好会共线性,填充的不好就没价值,很矛盾

3.剔除或者设置哑变量

个人给出一个第二个方法的优化思路,供参考:

假设存在val1~val10的自变量,其中val1存在20%以上的缺失,现在用val2-val10的变量去填充val1,这边参考了两个模型的设计思路,一个是bagging算法的随机抽取避免过拟合,另一个是Tomek+Somte的填充方法

大概思路是:

1.随机选取val1里面的n/N个case(包括缺失case及非缺失case)作为样本,随机选取val2-val10内的m个衡量特征

2.然后根据选择的具体的m个数据的衡量特征选择相似度计算方式(常见的直接算距离、余弦相似度之类),找出3-5个最临近的非缺失case或者最远的非缺失case(这里涉及全局或者局部最优)

3.构造新的val1填充缺失的val1,新val1计算方式可以为3-5个非缺失的众数、重心、随机游走、加权填充等

4.重复若干次,填充完所有缺失val1的点,当前的val1有非缺失case+填充case组成

5.这样填充的方式存在填充case过拟合或者额外产生异常点的风险,所以需要做“新点检测”,存在两个逻辑:

5.1假设存在新填充点x,x附近最近的3-5点均为新填充点,及该点为危险点

5.2假设存在新填出点x,x距离最近的非缺失case距离大于预先设置的阀值(一般为离群处理后,所有非缺失case到缺失case距离的平均),及该点为危险点

6.危险点可以重新进行1-5,也可以剔除,视情况而定

在预处理后均衡样本上填充,基于租车行业偷车用户的年龄段填充,而后判断某出行平台用户是否存在偷车可能,实际上做下来的ROC效果对比如下图(数据有所隐逸,不代表官方数据):

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • Python:SMOTE算法

    17.11.28更新一下:最近把这个算法集成到了数据预处理的python工程代码中了,不想看原理想直接用的,有简易版的python开发:特征工程代码模版 ,进...

    sladesal
  • 伪标签半监督学习

    之前在训练YoutubeNet和DCN的时候,我都发现平台用户中基础用户的信息数据缺失率特别高,比如性别一栏准确填写的不足60%,所以我一直想调研一下有没有什么...

    sladesal
  • YoutubeNet的数据答疑

    实在是太忙了,抽空给大家解析一下之前写的YoutubeNet的数据是怎么构造的,协助大家可以自行构造一下。

    sladesal
  • gRPC C++相关

    有关gRPC的C++使用可以参考官方文档:https://grpc.io/docs/languages/cpp/

    ccf19881030
  • 关于最近实习生招聘的一点感悟(肺腑之言)

    本次招聘我一共收到了大概70封简历,在这70封简历中筛选出了15封简历进行面试,在这次招聘中,无论是从简历筛选的角度,还是从面试的角度我都有很多感想想和大家聊聊...

    黄鸿波
  • 各种小程序的差异点

    “ 最近各种小程序都出来凑热闹,但各家都有一套自己的实现方式,今天来看看最近流行的四款小程序的差异,本文总结了各自的差异,帮助你快速入门不熟悉的小程序。·”

    前端开发博客
  • 学界 | CVPR 2018论文解读:一种交互式纹理迁移通用框架

    AI 科技评论按:本文是北京大学门怡芳基于其 CVPR spotlight 论文为 AI 科技评论提供的独家稿件,未经许可不得转载。

    AI科技评论
  • 运维平台的建设思考-元数据管理(r7笔记第57天)

    之前也写过一篇比较基本的文章,也算是自己对运维平台的一个基本思考。运维平台的建设思考(r6笔记第20天) 当然想法简单,而且缺乏实践,但是朝着这个方向迈进是没有...

    jeanron100
  • 新手React开发人员做错的5件事

    请勿执行的操作以及如何解决的方法,这部分内容是针对React的新手开发人员提供的。

    张张
  • 爱情36技之猿门授渔

    关注一猿小讲的粉丝们都知道,在上期的文章中,Python 菇凉在 Java 那小子的带领下,一条腿已经成功的迈入了猿门。

    一猿小讲

扫码关注云+社区

领取腾讯云代金券