缺少要在神经网络模型中用于预测的数据的值

Question

我目前有很多数据将用于训练预测神经网络（美国各大机场的天数数据）。我几乎每天都有数据，但有些机场的数据缺失值。例如，一个机场可能在1995年之前就不存在了，所以我之前没有那个特定位置的数据。此外，有些人整年缺席（一个可能跨越1990年至2011年，2003年失踪）。

如果不误导我的神经网络，我可以做些什么来训练这些缺失值？我虽然用0或-1填充空数据，但我觉得这会导致网络预测某些输出的这些值。

Answer 1

我不是专家，但这肯定取决于你拥有的神经网络的类型吗？

神经网络的全部意义在于它们可以处理丢失的信息等等。

我同意，用1和0设置空数据不是一件好事。

也许您可以提供一些关于神经网络的信息？

Answer 2

我正在使用很多NN进行预测，我可以说你可以简单地在数据中留下“漏洞”。事实上，NN能够学习观察数据内部的关系，因此如果你没有特定的时间段则没关系...如果你将空数据设置为常数值，你将会给你的训练算法误导信息。 NN不需要“连续”数据，事实上，在训练之前对数据集进行洗牌是一种很好的做法，以便对不连续的样本进行反向传播......

Answer 3

一种名为 autoencoder 的神经网络适合您的工作。自动编码器可用于重建输入。训练自动编码器以学习基础数据流形/分布。但是，它们主要用于信号重建任务，如图像和声音。但是，您可以使用它们来填充缺少的功能。

还有另一种技术被创造为“matrix-factorization”，用于许多推荐系统。人们使用矩阵分解技术来填充具有大量缺失值的巨大矩阵。例如，假设IMDb上有100万部电影。在她的一生中，几乎没有人观看过这部电影的1/10。但她投了一些电影。矩阵为N by M，其中N是用户数，M是电影数量。矩阵分解是用于填充缺失值的技术之一，并根据用户之前对其他电影的投票向用户推荐电影。