在R语言中利用mice包进行缺失值的线性回归填补

最新推荐文章于 2025-03-04 09:49:27 发布
最新推荐文章于 2025-03-04 09:49:27 发布
阅读量2.8w 收藏 92
点赞数 9
文章标签： R语言 缺失值填补 mice
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/carlwu/article/details/54020506
版权

在数据分析中，我们会经常遇到缺失值问题。一般的缺失值的处理方法有删除法和填补法。通过删除法，我们可以删除缺失数据的样本或者变量。而缺失值填补法又可分为单变量填补法和多变量填补法，其中单变量填补法又可分为随机填补法、中位数/中值填补法、回归填补法等。本文简单介绍一下如何在R语言中利用mice包对缺失值进行回归填补。

假设原始数据只有两列P（压力）和T（温度），具体数据如下：

orig_data <- data.frame(
  T = c(0.47, 0.45, 0.48, 0.47, 0.41, 0.56, 0.54, 0.51, 
        0.44, 0.56, NA, 0.62, 0.5, 0.43, NA, NA, 0.69, 
        0.73, 0.45, 0.43, 0.38, 0.35, 0.5, 0.46, 0.41, 
        0.43, 0.41, NA, 0.8, 0.51, NA, 0.44, NA, 0.43, 
        0.45, 0.77, 0.41, 0.77, 0.47, 0.63, 0.43, NA, NA, 
        0.47, NA, 0.25, 0.48, 0.49, 0.46, 0.72, NA, 0.36, NA, 
        0.45, 0.41, 0.36, 0.48, 0.4, 0.44, 0.73, 0.8, 0.45, 
        0.47, 0.54, 0.5, 0.5, 0.48, 0.44, NA, 0.42, 0.34, 
        0.45, NA, 0.42, 0.42, 0.42, 0.42, 0.52, 0.44, 0.56, 
        NA, 0.52, 0.44, 0.5, NA, 0.46, 0.42, 0.42, 0.35, 
        0.3, NA, 0.49, 0.53, 0.62, 0.48, 0.44, 0.48, 0.48, 
        0.45, 0.43, 0.43, 0.47, NA, 0.48, 0.69, 0.62, 0.45, 
        0.4, NA, 0.9, 0.7, 0.37, 0.66, 0.36, 0.76, 0.83, 0.44, 
        0.33, 0.46, 0.46, 0.43, 0.45, NA, 0.46, 0.43, 0.44, 
        0.52, 0.48, 0.44, 0.37, 0.47, 0.47),
  P = c(4650, 3720, 2050, 5600, 1420, 5299.6, 6714, 3858, 3731,
        3331, NA, 3800, 2190, 2800, NA, NA, 7135, 6817, 2264, 
        4490, 2359, 889, 3572, 4978, 3800, 1735, 2092, 4200, 
        6840, 2381, 250, 6637, NA, 1434, 3122, 11542, 1075, 
        12075, 5027, 3640, 2026, 4551, NA, 4551, NA, 927, 
        2727, 4400, 925, 10800, NA, 1894, 1514, 1987, 2741, 
        2788, 4490, 2375, 4772, 5490, 3190, 4177, 3490, 5660, 
        5750, 6220, 4345, 3983, 850, 4300, 2459, 2074, 2450, 
        3350, 3002, 3350, 3002, 1263, 2969, 827, NA, 5613, 3272,
        3360, 2600, 3599, 288, 653, 2062, 1300, NA, 4439, 4218, 
        4057, 1242, 4722, 2731, 3100, 2245, 2340, 3387, 2367, NA,
        6301, 3565, 9500, 9137, 2282, 2521, 11600, 7134, 2684, 
        4254, 1628, 5400, 6550, 3692, 2200, 980, 980, 1162, 3145, 
        NA, 2117, 3390, 4365, 800, 2250, 2915, 2929, 4229, 5830))
调用mice包的md函数可以看到原始数据中的缺失值模式。下表中1和0是缺失值模式：0表示变量中的列有缺失值，1表示没有缺失值。在原始数据中，P列缺失11个数据，T列缺失19个数据，两列数据都缺失的数据点有11个，两列数据都没有缺失的数据点有113个。我们还可以利用VIM包中的scattMiss()函数或者aggr()函数绘制缺失数据的散点图。 

library(mice)
md.pattern(orig_data)
     	P  	T   
113  	1  	1  	0
  8 	 1  	0  	1
 11 	 0  	0  	2
    	11 	19 	30

library("VIM")  
aggr(orig_data, prop = T, numbers = T)
上述代码显示的缺失值分布图如下。从图中可以看出T数据列的缺失比例大约为14%（0.14），P列的缺失比例大约为8.3%，两列都缺失的数据占整个数据量的8.3%。

对于两个数据都缺失的 11个数据点，我们无法利用回归的方法对它们进行填补。但是对于有一个值缺失的数据点，我们可以利用回归填补法进行缺失值充填。因为P和T这个两个变量存在某种程度的线性相关。我们可以对这两个变量进行线性回归，以观察它们之间的线性关系。具体R代码如下。

plot(orig_data)
linear_model <- lm(P ~ T, data = orig_data)
abline(linear_model,col="red")
summary(linear_model)
上面代码输出结果如下。
Call:
lm(formula = P ~ T, data = orig_data)
Residuals:
    Min      1Q  Median      3Q     Max 
-4616.3 -1244.2    -2.6   766.6  5905.8 
Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  -2651.1      712.2  -3.722 0.000312 ***
T            13071.9     1411.4   9.262 1.79e-15 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1762 on 111 degrees of freedom
  (19 observations deleted due to missingness)
Multiple R-squared:  0.4359,	Adjusted R-squared:  0.4308 
F-statistic: 85.78 on 1 and 111 DF,  p-value: 1.79e-15

P和T进行线性回归后的R2为0.43。因此我们可以运行下面代码，利用线性回归方程对缺失的T值进行填补。

#首先加载sqldf包，将数据全部缺失的样本给排除掉
library(sqldf)
temp_data <-sqldf("select T, P from orig_data 
              where T is not null
              or P is not null",row.names=TRUE)

#利用mice包填补在T列的缺失值
imp <- mice(temp_data,seed=3231)
fit_new <- with(imp,linear_model )
pooled <- pool(fit_new)
#获得新生成的数据
new_data <- complete(imp,action=3)
#将原始数据和新数据进行并排比较
total_data <- cbind(temp_data,new_data)
colnames(total_data) <- c("original_T","original_P","new_T","new_P")
total_data

新产生的数据和原始的数据的比较结果如下：
    original_T original_P  new_T   new_P
1    0.47  4650.0       0.47     4650.0
2    0.45  3720.0       0.45     3720.0
3    0.48  2050.0       0.48     2050.0
4    0.47  5600.0       0.47     5600.0
5    0.41  1420.0       0.41     1420.0
6    0.56  5299.6       0.56     5299.6
7    0.54  6714.0       0.54     6714.0
8    0.51  3858.0       0.51     3858.0
9    0.44  3731.0       0.44     3731.0
10   0.56  3331.0       0.56     3331.0
11   0.62  3800.0       0.62     3800.0
12   0.50  2190.0       0.50     2190.0
13   0.43  2800.0       0.43     2800.0
14   0.69  7135.0       0.69     7135.0
15   0.73  6817.0       0.73     6817.0
16   0.45  2264.0       0.45     2264.0
17   0.43  4490.0       0.43     4490.0
18   0.38  2359.0       0.38     2359.0
19   0.35   889.0       0.35      889.0
20   0.50  3572.0       0.50     3572.0
21   0.46  4978.0       0.46     4978.0
22   0.41  3800.0       0.41     3800.0
23   0.43  1735.0       0.43     1735.0
24   0.41  2092.0       0.41     2092.0
25     NA  4200.0       0.47     4200.0
26   0.80  6840.0       0.80     6840.0
27   0.51  2381.0       0.51     2381.0
28     NA   250.0       0.35      250.0
29   0.44  6637.0       0.44     6637.0
30   0.43  1434.0       0.43     1434.0
31   0.45  3122.0       0.45     3122.0
32   0.77 11542.0       0.77    11542.0
33   0.41  1075.0       0.41     1075.0
34   0.77 12075.0       0.77    12075.0
35   0.47  5027.0       0.47     5027.0
36   0.63  3640.0       0.63     3640.0
37   0.43  2026.0       0.43     2026.0
38     NA  4551.0       0.44     4551.0
39   0.47  4551.0       0.47     4551.0
40   0.25   927.0       0.25      927.0
41   0.48  2727.0       0.48     2727.0
42   0.49  4400.0       0.49     4400.0
43   0.46   925.0       0.46      925.0
44   0.72 10800.0       0.72    10800.0
45   0.36  1894.0       0.36     1894.0
46     NA  1514.0       0.43     1514.0
47   0.45  1987.0       0.45     1987.0
48   0.41  2741.0       0.41     2741.0
49   0.36  2788.0       0.36     2788.0
50   0.48  4490.0       0.48     4490.0
51   0.40  2375.0       0.40     2375.0
52   0.44  4772.0       0.44     4772.0
53   0.73  5490.0       0.73     5490.0
54   0.80  3190.0       0.80     3190.0
55   0.45  4177.0       0.45     4177.0
56   0.47  3490.0       0.47     3490.0
57   0.54  5660.0       0.54     5660.0
58   0.50  5750.0       0.50     5750.0
59   0.50  6220.0       0.50     6220.0
60   0.48  4345.0       0.48     4345.0
61   0.44  3983.0       0.44     3983.0
62     NA   850.0       0.25      850.0
63   0.42  4300.0       0.42     4300.0
64   0.34  2459.0       0.34     2459.0
65   0.45  2074.0       0.45     2074.0
66     NA  2450.0       0.48     2450.0
67   0.42  3350.0       0.42     3350.0
68   0.42  3002.0       0.42     3002.0
69   0.42  3350.0       0.42     3350.0
70   0.42  3002.0       0.42     3002.0
71   0.52  1263.0       0.52     1263.0
72   0.44  2969.0       0.44     2969.0
73   0.56   827.0       0.56      827.0
74   0.52  5613.0       0.52     5613.0
75   0.44  3272.0       0.44     3272.0
76   0.50  3360.0       0.50     3360.0
77     NA  2600.0       0.43     2600.0
78   0.46  3599.0       0.46     3599.0
79   0.42   288.0       0.42      288.0
80   0.42   653.0       0.42      653.0
81   0.35  2062.0       0.35     2062.0
82   0.30  1300.0       0.30     1300.0
83   0.49  4439.0       0.49     4439.0
84   0.53  4218.0       0.53     4218.0
85   0.62  4057.0       0.62     4057.0
86   0.48  1242.0       0.48     1242.0
87   0.44  4722.0       0.44     4722.0
88   0.48  2731.0       0.48     2731.0
89   0.48  3100.0       0.48     3100.0
90   0.45  2245.0       0.45     2245.0
91   0.43  2340.0       0.43     2340.0
92   0.43  3387.0       0.43     3387.0
93   0.47  2367.0       0.47     2367.0
94   0.48  6301.0       0.48     6301.0
95   0.69  3565.0       0.69     3565.0
96   0.62  9500.0       0.62     9500.0
97   0.45  9137.0       0.45     9137.0
98   0.40  2282.0       0.40     2282.0
99     NA  2521.0       0.36     2521.0
100  0.90 11600.0       0.90    11600.0
101  0.70  7134.0       0.70     7134.0
102  0.37  2684.0       0.37     2684.0
103  0.66  4254.0       0.66     4254.0
104  0.36  1628.0       0.36     1628.0
105  0.76  5400.0       0.76     5400.0
106  0.83  6550.0       0.83     6550.0
107  0.44  3692.0       0.44     3692.0
108  0.33  2200.0       0.33     2200.0
109  0.46   980.0       0.46      980.0
110  0.46   980.0       0.46      980.0
111  0.43  1162.0       0.43     1162.0
112  0.45  3145.0       0.45     3145.0
113  0.46  2117.0       0.46     2117.0
114  0.43  3390.0       0.43     3390.0
115  0.44  4365.0       0.44     4365.0
116  0.52   800.0       0.52      800.0
117  0.48  2250.0       0.48     2250.0
118  0.44  2915.0       0.44     2915.0
119  0.37  2929.0       0.37     2929.0
120  0.47  4229.0       0.47     4229.0
121  0.47  5830.0       0.47     5830.0

carlwu
关注
R语言中处理缺失值的方法：多重插补法（使用mice包）
TechCraze的博客
08-19 2784
通过利用mice包，我们可以方便地进行多重插补，并在完整的数据集上进行后续分析。当数据集中存在缺失值时，我们需要采取适当的方法来处理这些缺失值，以确保分析的准确性和可靠性。在R语言中，一个常用的缺失值处理方法是多重插补法，通过利用mice包来实现。多重插补法是一种基于模型的缺失数据处理方法，它通过建立一个模型来预测缺失值，并对缺失值进行多次插补，生成多个完整的数据集。需要注意的是，多重插补的结果是基于模型预测的，因此每次运行多重插补可能会得到稍微不同的结果。现在，我们可以在完整的数据集上进行进一步的分析。
R语言 缺失值处理方法: 多重插补法（利用mice包）
DevGOOD的博客
08-21 3151
多重插补法是一种基于模型的缺失值处理方法，它通过建立模型来预测缺失值，并重复多次进行插补，最终得到多个完整的数据集。mice包是R语言中一个强大的用于多重插补的工具包，它提供了一系列函数和方法来执行多重插补。总结起来，多重插补法是一种有效处理缺失值的方法，而R语言中的mice包为我们提供了方便且强大的工具来执行多重插补。通过使用mice包，我们可以轻松地进行多重插补，并在插补后的数据上进行进一步的分析和建模。除了执行插补之外，mice包还提供了其他一些有用的函数和方法来处理插补后的数据。
用R语言的MICE包对缺失数据进行多重插补（一）-- 缺失数据分析
carlwu的专栏
07-21 4万+
在进行数据分析时，缺失数据是一个令人头痛的问题。数据缺失的原因五花八门，修补这些缺失数据的方法也是因情况而异。插补法（Imputation）是对一种对缺失数据进行调整的方法。该方法用多个可能的值来填充一个缺失的数据项，从而反映了缺失数据的不确定性。本例以R语言的MICE包为例，说明如何使用多重插补方法对缺失值进行估计。原文地址参见https://datascienceplus.com/imputin
【生信|R语言学习01】R语言基础语法
m0_63560354的博客
03-04 905
R 语言环境软件属于 GNU 开源软件，兼容性好、使用免费语法十分有利于复杂的数学运算数据类型丰富，包括向量、矩阵、因子、数据集等常用数据结构代码风格好，可读性强。
R语言缺失值判断与处理mice包-3
LeaningR的博客
09-06 9213
用R语言填充缺失值mice 1.缺失值填充方法 删除 平均值、中位数 回归插值 多元回归插值 2.mice包介绍 对于缺失值数据的处理，用3个步骤来进行定义。 填充：mice()函数，从一个包含缺失数据的数据框开始，然后返回一个包含多个完整数 据集的对象，每个完整数据集都是通过对原始数据框中的缺失数据进行插而生成的。 分析：with()函数，可依次对每个完整数据集应用统计模型，分析填充的结果。 优化：pool()函数，将这些单独的分析结果整合为一组结果，最终模型的标准误和p值，都将准确地
R语言︱缺失值处理之多重插补——mice包
热门推荐
素质云笔记
04-27 8万+
笔者寄语：缺失值是数据清洗过程中非常重要的问题（其他方法可见：R语言︱异常值检验、离群点分析、异常值处理），笔者在进行mice包的多重插补过程中遇到相当多的问题。 大致的步骤简介如下： 缺失数据集——MCMC估计插补成几个数据集——每个数据集进行插补建模（glm、lm模型）——将这些模型整合到一起（pool）——评价插补模型优劣（模型系数的t统计量）——输出完整数据集（co
mice包－－R中数据缺失值的处理
R语言中文社区
07-04 8477
来源 | R友舍简介缺失值是一个实际数据处理中常见的问题。其缺失机制大致可以分为完全随机缺失（MCAR），非随机缺失（MNAR）缺失的例子说明：假设一个数据集有3个变量 ...
R语言| 缺失值的处理方法——多重插补法：利用mice()包
qq_41421861的博客
03-06 2万+
从今天开始要记录自己的学习笔记啦～～～ 2020.3.5 缺失值的处理方法——多重插补法 1、基本思想：利用蒙特卡洛模拟法（MCMC)将原始数据插补成几个完整数据集，在每个数据集中利用线性回归（lm)或广义线性规格（glm)等方法进行插补建模，再将这些完整的模型整合到一起，评价插补模型的优劣并返回完整数据集。该方法主要利用程辑包mice中的mice( )进行。 大致步骤如下： 缺失数据集...
r语言插补法_R语言| 缺失值的处理方法——多重插补法：利用mice()包
weixin_39891158的博客
12-20 5720
从今天开始要记录自己的学习笔记啦～～～ 2020.3.5缺失值的处理方法——多重插补法1 基本思想利用蒙特卡洛模拟法(MCMC)将原始数据插补成几个完整数据集，在每个数据集中利用线性回归(lm)或广义线性规格(glm)等方法进行插补建模，再将这些完整的模型整合到一起，评价插补模型的优劣并返回完整数据集。该方法主要利用程辑包mice中的mice( )进行。大致步骤如下：缺失数据集——MCM...
在R语言中进行缺失值填充：估算缺失值
拓端研究室TRL
12-06 2284
缺失值被认为是预测建模的首要障碍。因此，掌握克服这些问题的方法很重要。估算缺失值的方法的选择在很大程度上影响了模型的预测能力。在大多数统计分析方法中，删除是用于处理缺失值的默认方法。但是，它会导致信息丢失。在本文中，我列出了5个R语言方法。通过链式方程进行的多元插补是R用户常用的。与单个插补（例如均值）相比，创建多个插补可解决缺失值的不确定性。MICE假定缺失数据是随机（MAR）缺失，这意味着，一个值缺失概率上观测值仅取决于并且可以使用它们来预测。通过为每个变量指定插补模型，可以按变量插补数据。例如：假设我
python 线性回归回归 缺失值 忽略_机器学习 第3篇：数据预处理（使用插补法处理缺失值）...
weixin_42303522的博客
02-19 4268
插补法可以在一定程度上减少偏差，常用的插补法是热卡插补、拟合插补和多重插补。拟合插补，要求变量间存在强的相关性；多重插补(MCMC法)，是在高缺失率下的首选插补方法，优点是考虑了缺失值的不确定性。一，热卡插补热卡填充(Hot deck imputation)也叫就近补齐，对于一个包含空值的对象，热卡填充法在完整数据中找到一个与它最相似的对象，然后用这个相似对象的值来进行填充。通常会找到超出一个的相...
R语言空间插值
07-06
该文档提供了R语言空间差值操作实例，包含各种常用的空间插值方法以及代码。
《用R探索医药数据科学》学习路径（持续更新，点击查阅相关文章）
DAT｜R科学与人工智能
11-18 5307
市面上的 R 语言培训班和书籍（包括网络上的文章或视频），由于受限于培训时间或书籍篇幅，往往难以深入探讨 R 语言在数据科学或人工智能中的具体应用场景，内容泛泛而谈，最终无法真正解决实际工作中的问题。同时，它们也缺乏针对医药领域的深度结合与讨论。为了解决这些痛点，我们推出了《用 R 探索医药数据科学》专栏。该专栏将持续更新，不仅为您提供系统化的学习内容，更致力于成为您掌握最新、最全医药数据科学技术的得力助手。
在R语言中使用mice包观察缺失值模式
DAT｜R科学与人工智能
11-13 832
MICE（Multivariate Imputation by Chained Equations）包更多是R语言中用于多重插补缺失值的强大工具包。它基于链式方程的思想，提供了一种系统化的方法来处理数据集中的缺失值。通过多重插补，可以生成多个填补缺失值后的数据集，并对这些数据集进行综合分析，以提高估计的准确性和可靠性。
mice
baicu9711的博客
11-06 352
Description 有一天Masha回到家,发现有n只老鼠在它公寓的走廊上,她大声呼叫,所以老鼠们都跑进了走廊的 洞中。 这个走廊可以用一个数轴来表示,上面有n只老鼠和m个老鼠洞。第i只老鼠有一个坐标x i ,第j个洞有 一个坐标p j 和容量c j 。容量表示最多能容纳的老鼠数量。 找 到 让 老 鼠 们 全 部 都 进 洞 的 方 式,使 得 所 有 老 鼠 运 动 距 离 总 ...
R 笔记 MICE
qq_40206371的博客
07-27 3224
MICE(MultipleImputationbyChainedEquations)是一种处理数据集中缺失数据的稳健、信息丰富的方法。该过程通过一系列迭代的预测模型“填充”（估算）数据集中的缺失数据。在每次迭代中，数据集中的每个指定变量都使用数据集中的其他变量进行估算。不断迭代在，直至收敛。...
R语言处理缺失数据（1）-mice
weixin_49320263的博客
08-19 800
R语言处理缺失数据（1）-mice
R语言缺失值的处理：线性回归模型插补
大数据部落
08-06 2340
在当我们缺少值时，系统会告诉我用-1代替，然后添加一个指示符，该变量等于-1。这样就可以不删除变量或观测值。
使用R语言中的mice包进行缺失值统计的可视化
2301_79330513的博客
08-29 712
总结起来，mice包为我们提供了一种方便的方式来处理缺失值，并通过可视化图像展示缺失值的统计情况。通过观察这些图像，我们可以更好地理解数据中的缺失值分布情况，为后续的数据分析和建模工作提供支持。缺失值是数据分析中常见的问题之一。在R语言中，我们可以使用mice包来处理缺失值，并通过可视化图像展示数据中缺失值的统计情况。例如，使用densityplot函数可以绘制变量的密度图，以更直观地了解缺失值的分布情况。生成mids对象后，我们可以使用mice包中的visMiss函数来可视化缺失值的统计情况。
rR语言数据缺失值填补方法
最新发布
03-19
### R语言中数据缺失值的填补方法 在数据分析过程中，处理缺失值是一个重要的预处理步骤。R语言提供了多种方法来估计和填充缺失值。以下是几种常见的缺失值填补技术及其具体实现方式： #### 1. **均值/中位数/众数替换** 对于数值型变量，可以使用该列的均值或中位数替代缺失值；而对于分类变量，则可以用众数代替。 ```r # 替换数值型变量中的 NA 为均值 data$Sepal.Length[is.na(data$Sepal.Length)] <- mean(data$Sepal.Length, na.rm = TRUE) # 替换数值型变量中的 NA 为中位数 data$Petal.Width[is.na(data$Petal.Width)] <- median(data$Petal.Width, na.rm = TRUE) # 对于分类变量，可采用众数替换 library(DescTools) data$Species[is.na(data$Species)] <- Mode(data$Species) ``` 这种方法简单易行，但在某些情况下可能会降低数据分布的真实性[^1]。 --- #### 2. **基于K近邻算法 (KNN) 的插补** 通过计算相似度找到最近邻居，并利用这些邻居的信息来预测缺失值。 ```r library(VIM) iris.imputed <- kNN(iris.mis[, -5], variable = "Sepal.Length") # 不考虑最后一列标签 summary(iris.imputed) ``` 此方法适用于复杂的数据集，能更好地保留原始数据结构。 --- #### 3. **多重插补法 (Multiple Imputation)** 多重插补是一种统计学上的高级方法，它会生成多个可能的完整数据版本，从而减少单一固定值带来的偏差。 ```r library(mice) imp_data <- mice(iris.mis, m = 5, method = 'pmm', seed = 500) completed_data <- complete(imp_data, 1) summary(completed_data) ``` 这种方法尤其适合用于后续需要进行推断分析的情况。 --- #### 4. **回归模型插补** 可以通过构建线性或其他类型的回归模型，用其他特征预测目标变量的缺失部分。 ```r model <- lm(Sepal.Length ~ Sepal.Width + Petal.Length + Petal.Width, data=na.omit(iris.mis)) predicted_values <- predict(model, newdata=iris.mis) iris.mis$Sepal.Length[is.na(iris.mis$Sepal.Length)] <- predicted_values[is.na(iris.mis$Sepal.Length)] ``` 这种方式依赖于假设关系的有效性和稳定性。 --- #### 5. **CatBoost 自动处理缺失值** 如果计划直接进入机器学习阶段而不单独做预处理，可以选择像 CatBoost 这样的工具，它可以自动管理缺失值而不需要额外干预[^3]。 ```r library(catboost) train_pool <- catboost.load.Pool(data = iris.mis[-5], label = iris.mis$Species) params <- list(loss_function='MultiClass') fit_model <- catboost.train(train_pool, params=params) ``` 尽管如此，在正式训练之前仍建议先探索并理解数据质量状况。 --- ### 总结 上述每种策略各有优劣，需依据实际情况选取最恰当的一种或者组合应用。例如当样本量较大且存在较多连续型属性时，推荐尝试 KNN 或者 Multiple Imputation 技术；如果是稀疏矩阵则应慎重评估是否适用特定算法。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值