比较R包missForest和Hmisc的性能

Question

当丢失值超过50%时，我试图比较2R包、missForest和Hmisc在处理丢失值时的性能。

我得到的测试数据是这样的：

data("iris")
library(missForest)
iris.mis <- prodNA(iris, noNA = 0.6)
summary(iris.mis)

mis1 <- iris.mis
mis2 <- iris.mis

在missForest中，它有mixError()方法，允许您将计算精度与原始数据进行比较。

# using missForest
missForest_imputed <- missForest(mis1, ntree = 100)
missForest_error <- mixError(missForest_imputed$ximp, mis1, iris)
dim(missForest_imputed$ximp)
missForest_error

Hmisc没有mixError()方法，我使用它强大的aregImpute()来进行计算，如下所示：

# using Hmisc
library(Hmisc)
hmisc_imputed <- aregImpute(~Sepal.Length + Sepal.Width + Petal.Length + Petal.Width + Species, 
                        data = mis2, n.impute = 1)

我希望将计算出来的结果转换成类似missForest_imputed$ximp的格式，这样我就可以使用mixError()方法了。问题是，在aregImpute()中，无论我尝试过n.impute = 1还是n.impute = 5，我都不能为每个特性设置150个值，比如原始数据虹膜.每个特征中的值的数目也是不同的.

那么，有没有办法比较missForest和Hmisc在处理缺失值方面的性能呢？

Answer 1

第1部分

Hmisc::aregImpute返回计算出来的值。对于名为hmisc_imputed的对象，可以在hmisc_imputed$imputed中找到它们。但是，imputed对象是每个维度的列表。

如果您想要重新创建等效的missForest_imputed$ximp，您必须自己动手。为此，我们可以利用以下事实：

all.equal(as.integer(attr(xx$Sepal.Length, "dimnames")[[1]]), which(is.na(iris.mis$Sepal.Length))) ## returns true

我在这里做的是：

check_missing <- function(x, hmisc) {
  return(all.equal(which(is.na(x)), as.integer(attr(hmisc, "dimnames")[[1]])))
}

get_level_text <- function(val, lvls) {
  return(lvls[val])
}

convert <- function(miss_dat, hmisc) {
  m_p <- ncol(miss_dat)
  h_p <- length(hmisc)
  if (m_p != h_p) stop("miss_dat and hmisc must have the same number of variables")
  # assume matches for all if 1 matches
  if (!check_missing(miss_dat[[1]], hmisc[[1]]))
    stop("missing data an imputed data do not match")

  for (i in 1:m_p) {
    i_factor <- is.factor(miss_dat[[i]])
    if (!i_factor) {miss_dat[[i]][which(is.na(miss_dat[[i]]))] <- hmisc[[i]]}
    else {
      levels_i <- levels(miss_dat[[i]])
      miss_dat[[i]] <- as.character(miss_dat[[i]])
      miss_dat[[i]][which(is.na(miss_dat[[i]]))] <- sapply(hmisc[[i]], get_level_text, lvls= levels_i)
      miss_dat[[i]] <- factor(miss_dat[[i]])
    }
  }
  return(miss_dat)
}

iris.mis2 <- convert(iris.mis, hmisc_imputed$imputed)

第2部分

mixError使用RMSE计算错误率，?mixError。

值计算错误。在连续变量的情况下，这是归一化的均方误差(NRMSE，详见'help(missForest)‘)。在分类变量的情况下，这是错误分类条目(PFC)的比例。在混合类型变量的情况下，提供了两个错误度量。

要在“第1部分”iris.mis2中对对象执行此操作，只需使用nrmse函数，这是library(missForest)中提供的。