前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >基于随机森林方法的缺失值填充

基于随机森林方法的缺失值填充

作者头像
皮大大
发布2021-03-02 16:29:40
7.2K1
发布2021-03-02 16:29:40
举报
文章被收录于专栏:机器学习/数据可视化

本文中主要是利用sklearn中自带的波士顿房价数据,通过不同的缺失值填充方式,包含均值填充、0值填充、随机森林的填充,来比较各种填充方法的效果

缺失值

现实中收集到的数据大部分时候都不是完整,会存在缺失值。

  • 有些时候会直接将含有缺失值的样本删除drop
  • 但是有的时候,利用0值、中值、其他常用值或者随机森林填充缺失值效果更好
  • sklearn中使用sklearn.impute.SimpleImputer类填充缺失值

填充缺失值

先让原始数据中产生缺失值,然后采用3种不同的方式来填充缺失值

  • 均值填充
  • 0值填充
  • 随机森林方式填充

波士顿房价数据

各种包和库
代码语言:javascript
复制
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.datasets import load_boston  # 波士顿数据
from sklearn.impute import SimpleImputer  # 填充缺失值的类
from sklearn.ensemble import RandomForestRegressor  # 随机森林回归
from sklearn.model_selection import cross_val_score  # 交叉验证
查看数据
代码语言:javascript
复制
dataset = load_boston()
dataset.data.shape  # 标签是连续型的值,用于回归分析
dataset.target[:5]  # 标签是连续的数值,连续型变量,用于回归问题
完整数据
代码语言:javascript
复制
X_full, y_full = dataset.data, dataset.target
n_samples = X_full.shape[0]  # 506
n_features = X_full.shape[1] # 13

向完整数据中填充缺失值

设置缺失的样本总数
代码语言:javascript
复制
rng = np.random.RandomState(0)  # 确定随机种子
missing_rate = 0.5   # 缺失率是50%
# 计算缺失的样本总数;floor是向下取整
n_missing_samples = int(np.floor(n_samples * n_features * missing_rate))
n_missing_samples
随机数填充
  • 数据集要随机遍布在各行各列中,而一个缺失的数据需要行列两个指标
  • 创造一个数组,行索引在0-506,列索引在0-13之间,利用索引来进行填充3289个位置的数据
  • 利用0、均值、随机森林分别进行填充
代码语言:javascript
复制
# randint(下限,上限,n):在上限和下限之间随机取出n个整数
missing_features = rng.randint(0, n_features, n_missing_samples) # (0,13,3289)
missing_samples = rng.randint(0, n_samples, n_missing_samples) # (0,506,3289)

# 采样了3289个数据,远远超过了样本量506,使用随机抽取的函数randint;
# 如果需要的数据量是小于样本量506,则需要使用randint.choice来抽样,保证抽取不重复的随机数
# missing_samples = rng.choice(n_samples, n_missing_samples, replace=False)
均值填充
代码语言:javascript
复制
imp_mean = SimpleImputer(missing_values=np.nan, strategy="mean")  # 指定缺失值是什么和用什么填充
X_missing_mean = imp_mean.fit_transform(X_missing)  # fit + predict---->特殊接口transform

检查得到的数据是否存在缺失值

代码语言:javascript
复制
pd.DataFrame(X_missing_mean).isnull().sum() # X_missing_mean是一个ndaraay
0值填充
代码语言:javascript
复制
imp_0 = SimpleImputer(missing_values=np.nan, strategy="constant", fill_value=0)   # 用0进行填充
X_missing_0 = imp_0.fit_transform(X_missing)

随机森林填充

如何填充

假设一个具有n个特征的数据,特征T存在缺失值**(大量缺失更适合)**,把T当做是标签,其他的n-1个特征和原来的数据看作是新的特征矩阵,具体数据解释为:

数据

说明

Xtrain

特征T不缺失的值对应的n-1个特征+原始标签

ytrain

特征T不缺失的值

Xtest

特征T缺失的值对应的n-1个特征+原始标签

ytest

特征T缺失值(未知)

如果其他特征也存在缺失值,遍历所有的特征,从缺失值最少的开始。

  1. 缺失值越少,所需要的准确信息也越少
  2. 填补一个特征,先将其他特征值的缺失值用0代替,这样每次循环一次,有缺失值的特征便会减少一个
图形解释

假设数据有n个特征,m行数据

由于是从最少的缺失值特征开始填充,那么需要找出存在缺失值的索引的顺序:argsort函数的使用

代码语言:javascript
复制
X_missing_reg = X_missing.copy()
# 找出缺失值从小到大对应的索引值
sortindex = np.argsort(X_missing_reg.isnull().sum(axis=0)).values
填充过程
代码语言:javascript
复制
for i in sortindex:

    # 构建新的特征矩阵和新标签
    df = X_missing_reg   # 所有的操作都在df上进行,只是最后得到的填充值作用在X_missing_reg上面
    fillc = df.iloc[:, i]   # 某个需要填充的列,索引为i

    # 没有被选中填充(!=)的特征与原始标签的连接起来;df就是新特征矩阵
    df = pd.concat([df.iloc[:, df.columns != i], pd.DataFrame(y_full)], axis=1)


    # 新的特征矩阵df中,对含有缺失值的列,进行0的填补
    # 检查是否有0 pd.DataFrame(df_0).isnull().sum()
    df_0 = SimpleImputer(missing_values=np.nan, strategy='constant', fill_value=0).fit_transform(df)

    # 找出训练集和测试集
    ytrain = fillc[fillc.notnull()]  # 被选中填充的特征矩阵T中的非空值
    ytest = fillc[fillc.isnull()]  # 被选中填充的特征矩阵T中的空值
    Xtrain = df_0[ytrain.index, :]  # 新特征矩阵上,被选出来要填充的特征的非空值对应的记录
    Xtest = df_0[ytest.index, :]   # 空值对应的记录

    # 随机森林填充缺失值
    rfc = RandomForestRegressor(n_estimators=100)
    rfc = rfc.fit(Xtrain, ytrain)
    y_predict = rfc.predict(Xtest)  # predict接口预测得到的结果就是用来填充空值的那些值

    # 将填补好的特征返回到我们的原始特征矩阵中
    X_missing_reg.loc[X_missing_reg.iloc[:, i].isnull(), i] = y_predict

4种数据建模

  • MSE:均方误差MSE=\frac{1}{N}\sumN_{i=1}(f_i-y_i)2;回归树的衡量指标,越小越好。sklearn中使用的是负均方误差neg_mean_squared_error。均方误差本身是种误差loss,通过负数表示
  • R^2:回归树score返回的真实值是R的平方,不是MSE

R^2=1-\frac{u}{v}

u=\sumN_{i=1}(f_i-y_i)2

v=\sum^N_{i=1}(y_i-\hat y)^2

代码语言:javascript
复制
X = [X_full, X_missing_mean, X_missing_0, X_missing_reg]
mse = []

for x in X:
    estimator = RandomForestRegressor(random_state=0, n_estimators=100)
    scores = cross_val_score(estimator, x, y_full, scoring="neg_mean_squared_error", cv=5).mean()
    mse.append(scores * -1)

绘图

代码语言:javascript
复制
x_labels = ["Full Data",
           "Mean Imputation",
           "Zero Imputation",
           "Regressor Imputation"]

colors = ['r', 'g', 'b', 'orange']

plt.figure(figsize=(12,6))  # 生成画布
ax = plt.subplot(111)  # 添加子图

# 在上面的过程中已经求出了4种不同数据的MSE
for i in np.arange(len(mse)):  # arange(4)
    ax.barh(i, mse[i], color=colors[i],alpha=0.6,align='center')

ax.set_title("Imputation Techniques with Boston Data")  # 标题
ax.set_xlim(left=np.min(mse)*0.9,
           right=np.max(mse)*1.1)  # 横轴是mse的取值

ax.set_yticks(np.arange(len(mse)))
ax.set_label("MSE")
ax.set_yticklabels(x_labels)   # 用x_labels中的名字作为y轴的命名
plt.show()
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2020-1-11,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 缺失值
  • 填充缺失值
  • 波士顿房价数据
    • 各种包和库
      • 查看数据
        • 完整数据
        • 向完整数据中填充缺失值
          • 设置缺失的样本总数
            • 随机数填充
              • 均值填充
                • 0值填充
                • 随机森林填充
                  • 如何填充
                    • 图形解释
                      • 填充过程
                      • 4种数据建模
                      • 绘图
                      领券
                      问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档