功能工程，处理丢失的数据

Question

考虑此数据表

NumberOfAccidents   MeanDistance
1                   5
3                   0
0                   NA
0                   NA
6                   1.2
2                   0

第一个特征是事故的数量，第二个特征是这些事故到某一点的平均距离。对于零事故的记录，这显然是MeanDistance的值。但是，估算这些缺失值是不合逻辑的！

我的解决方案：我已决定将MeanDistance离散化，其中NAs是一个级别（bin），其余数据位于以下bins中：{{1 }}。决赛桌将如下所示：

[0,1), [1,2.5), [2.5, Inf)

对于这些无法估算的缺失值类型，您有何想法？ 您如何解决此问题？

Answer 1

这实际上取决于域和您要预测的内容。即使您的解决方案很好，我也不会像您那样对其余数据进行装箱。假设NumberOfAccidents功能已经告诉了MeanDistance具有NA的值，我可能会将0推算到NA的值中（用于计算），然后保留其余数据保持不变。

尽管如此，没有必要限制自己，只需尝试其他方法，并保持能提高KPI（关键绩效指标）的方法即可。