Scikit学习丢失的数据-分类值

Question

我有一个包含分类特征的数据集，它有4个标签和4个特征。(这是一个元分类器，因此基分类器的输出作为这个分类器的输入)

Label  Feat1 Feat2 Feat3 Feat4
 1      1     1      2     2
 2      3     1      2     2 
 3      4     3      3     1     
 4      4     1      2     4

我正在使用scikit学习，并且正在考虑使用朴素的贝叶斯或决策树。分类器需要能够处理缺少的特性，我在scikit learn的页面上看到，决策树不支持缺失的值。

我正在寻找的是关于如何在使用scikit学习时处理丢失的分类值的建议。此外，如有任何与学术论文有关的链接，将不胜感激。

Answer 1

在我看来，最好是处理丢失的数据，而不是依赖分类器。

处理这一问题的方法有很多：

• 丢失观测
• 删除该行中所有单元格为NA的行。
• 用任意一个随机标签填写丢失的数据。
• 使用缺失属性的最大频率填充标签

PS:我建议使用python熊猫库来进行数据清理。

Answer 2

在实际构建模型并在其上应用一些算法之前，执行数据清理始终是一个很好的实践。为了像处理丢失的值一样进行数据清理，“熊猫”库是首选。这里是链接的最新版本“熊猫”，和那的“工作与失踪的价值”参考大熊猫。

Answer 3

我不会用中位数填充缺失的分类值，而是使用这种模式。这样做，即使您的模式是字符串，也肯定会填充现有的模式。正如Ricardo Cruz所说，根据缺失值背后的过程，您还可以为缺失的值添加一个新的模式。