处理缺失值的三个层级的方法总结

缺失值是现实数据集中的常见问题，处理缺失值是数据预处理的关键步骤。缺失值可能由于各种原因而发生，例如数据的结构和质量、数据输入错误、传输过程中的数据丢失或不完整的数据收集。这些缺失的值可能会影响机器学习模型的准确性和可靠性，因为它们可能会引入偏差并扭曲结果，有些模型甚至在在缺少值的情况下根本无法工作。所以在构建模型之前，适当地处理缺失值是必要的。

本文将展示如何使用三种不同级别的方法处理这些缺失值:

• 初级:删除，均值/中值插补，使用领域知识进行估计
• 中级:回归插补, K-Nearest neighbors (KNN) 插补
• 高级:链式方程(MICE)的多元插补, MICEforest

完整文章：

https://avoid.overfit.cn/post/803b18d975bc4cdd82aa3026cd405ce8