YUxuaN0721的博客

原文章如下图是算法的图示：在这个算法中，我们定义如下几个变量：通过原始数据保留未缺失的数据得到： X~={Xiif Mi =1∗otherwise\ \tilde X = \begin{cases}X_i&\text{if $M_i$ =1}\\*&\text otherwise\end{cases} X~={Xi​∗​if Mi​ =1otherwise​接下来通过训练生成器通过随机变量Z来填补：Xˉ=G(X

原论文原代码在这篇博客中，我们解析用生成对抗系统如何有效补充缺失数据的一种方法。def gain (data_x, gain_parameters): # Define mask matrix data_m = 1-np.isnan(data_x) #mask matrix # system parameters batch_size = gain_parameters['batch_size'] hint_rate = gain_parameters['hint_rate']

处理缺失数据的方法可分为以下几类：1. 只保留观察数据 (Procedures based on completely recorded units)这种方法去除所有在某一变量上有缺失数据的纪录，只保留所有数据完整的纪录。优点：容易实施缺点：只适用于缺失数据较少的数据，可能产生较大误差。2. 加权 (Weighting procedures)这种方法也是通过对现有未缺失数据通过以下公式进行加权处理 yˉHK=∑i=1n(πip^i)−1yi∑i=1n(πip^i)−1\ \bar

怎样处理缺失数据？一、缺失数据的定义我们首先来看一下缺失数据的定义：Missing data are unobserved values that would be meaningful foranalysis if observed; in other words, a missing value hides ameaningfulvalue.缺失数据是指一些观测后对分析有意义的未观测数据。例如，当我们在事先调查选举情况时，有三种答案，yes，no和missing。如果这个missing