Eksik verileri işlemek için makine öğrenme algoritmaları

Laboratuvar değerleri de dahil olmak üzere yüksek boyutlu klinik verileri kullanarak öngörücü bir model geliştirmeye çalışıyorum. Veri alanı 5k örnek ve 200 değişken ile seyrek. Buradaki amaç, değişkenleri bir özellik seçim yöntemi (IG, RF vb.) Kullanarak sıralamak ve yordayıcı bir model geliştirmek için üst sıradaki özellikleri kullanmaktır.

Özellik seçimi Naif Bayes yaklaşımıyla iyi gidiyor olsa da, değişken alanımdaki eksik veriler (NA) nedeniyle öngörülü bir model uygulamada bir sorunla karşılaşıyorum. Eksik veri içeren numuneleri dikkatle işleyebilecek herhangi bir makine öğrenme algoritması var mı?

Kullandığınız modele göre değişir. Bazı üretici model kullanıyorsanız, eksik değerlerle () başa çıkmanın ilkeli bir yolu vardır. Örneğin, Naive Bayes veya Gaussian Processes gibi modellerde, eksik değişkenleri birleştirir ve kalan değişkenlerle en iyi seçeneği seçersiniz.

Ayrımcı modeller için bu daha karmaşıktır, çünkü mümkün değildir. Birkaç yaklaşım var. Gharamani ve Ürdün , eksik değerlerin gizli değişkenler gibi ele alındığı ve EM algoritmasının bir türevinin tahmin edilmesinde kullanıldığı ilkeli bir yaklaşımı tanımlar. Benzer bir şekilde, Smola ve ark. açıkça problemi çözen SVM algoritmasının bir değişkenini tanımlar.

Eksik değerlerin, değişkenin ortalama değeriyle değiştirilmesi genellikle tavsiye edilir. Bu, ilk makalede açıklandığı gibi sorunludur. Bazen, eksik değerleri tahmin etmek için değişkenler üzerinde gerileme yapan kağıtlara rastladım, ancak bunun sizin durumunuz için geçerli olup olmadığını söyleyemem.

Breiman'ın rastgele ormanlarını uygulayan R-random randomForestSRC geniş bir analiz sınıfı için eksik verileri ele almaktadır (regresyon, sınıflandırma, hayatta kalma, rekabet riski, denetimsiz, çok değişkenli).

Aşağıdaki yazıya bakınız:

Rastgele Orman neden öngörülen değerlerdeki eksik değerleri ele almıyor?

Eksik verilerden kurtulmak için en yakın komşuları kullanarak imparatorluğu deneyin.

Ek olarak, Caret paketi çok çeşitli algoritmalara arayüzleri vardır ve hepsi R de yeni verileri tahmin etmek için kullanılabilecek tahmin yöntemleri ile birlikte gelir. Performans metrikleri, aynı paketi kullanarak k kat çapraz doğrulama kullanılarak da tahmin edilebilir.

Sınıflandırma ve regresyon ağaçları gibi öngörücü modeli oluştururken, eksik değeri benzersiz ve farklı bir değer olarak kullanabilen algoritmalar da vardır. xgboost gibi

lightgbm NaN'leri kutudan kaldırabilir ( http://lightgbm.readthedocs.io/en/latest/ ).