使用随机森林回归器（或任何整体学习者）时，处理缺失分类特征值的一般准则是什么？我知道scikit learn具有估算缺失值（数值）的函数（如均值...策略或接近度）。但是，如何处理缺失的分类价值：像工业（石油，计算机，汽车，无），专业（学士，硕士，博士，无）。
任何建议都表示赞赏。
答案 0 :(得分：1)
随机森林的发明者布莱曼和卡特勒提出了两种可能的策略（见http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm#missing1）：
随机森林有两种方法可以替换缺失值。第一种方式 很快如果第m个变量不是分类，则该方法计算 在类j中该变量的所有值的中值，然后它使用 此值将替换类中第m个变量的所有缺失值 学家如果mth变量是分类的，则替换是最多的 j类中经常出现的非缺失值。这些替换值是 称为填充。
替换缺失值的第二种方法在计算上更多 昂贵，但比第一个更好，甚至有 大量的缺失数据。它只替换了缺失值 训练集。它首先进行粗略和不准确的填充 缺失的值。然后它执行森林运行并计算 邻近区域。
或者，将您的标签变量搁置一分钟，您可以使用分类器中的所有功能，对具有相关分类变量的非空值的行训练分类器。然后使用此分类器在“测试集”中预测相关分类变量的值。有了更完整的数据集，您现在可以返回预测原始标签变量值的任务。