我正在使用RapidMiner 5.3.013中一个相当简单的进程，它读取CSV文件并将其用作训练集来训练决策树分类器。该过程的结果是模型。读取第二个CSV并用作未标记的集合。模型（先前计算）应用到未标记的测试集，以便正确标记它。
CSV的每一行都包含一些属性，例如：
15,0,1555，abc * 15，label1
但是训练集的某些行可能是这样的：
15,0， * ，abc * 15，label2
这样做是因为第三个值可能采用不同的值，因此训练集的创建者在值的位置使用星形作为通配符。
我想做的是让决策树知道那里的星星意味着“匹配任何东西”，这样它就不会只匹配一颗星。
注意：
那么，有没有办法在训练分类器或使用模型时使用正则表达式，或者至少使用简单的通配符？
另一种说法是：我可以指示分类器不使用某些条目中的某些属性（CSV中的行）吗？
谢谢！
答案 0 :(得分：1)
我会处理数据，因此缺失值本身就是有效的，我会将有效数字离散化为范围。
更详细地说，我所缺少的意思是属性的值类似于*的情况。我只是允许这是属性所采用的一个有效值。对于此属性的所有其他值，这些值都是数字，因此需要将它们转换为标称值以与现在有效的*兼容。
执行此操作非常繁琐但我还没有尝试过，但我会从操作员Declare Missing Value开始检测*并让它们丢失。从那里，我将使用运算符Discretize by Binning将数字转换为名义值。最后，我会使用Replace Missing Values将缺失值更改为名义值Missing。您可能会问为什么还要为上面的第一个Declare Missing步骤而烦恼？原因是它允许离散操作起作用，因为它会单独处理数字，因为非数字被标记为缺失。
然后，以正常方式将结果示例集传递给模型。显然，模型必须能够处理名义属性（决策树确实如此）。
在我看来，一些建模操作员更容忍丢失数据。我认为k-最近邻居可能是一个。在这种情况下，您可以简单地将缺失的标记标记为上述内容，而不必为离散步骤而烦恼。
缺失数据的整个区域确实需要小心，因为了解缺失的来源非常重要。如果缺失的数据与其他属性或标签本身相关，则不恰当地处理它可能会导致结果偏差。