原文链接：http:///?p=8287介绍缺失值被认为是预测建模的首要障碍。因此，掌握克服这些问题的方法很重要。 估算缺失值的方法的选择在很大程度上影响了模型的预测能力。在大多数统计分析方法中，按列表删除是用于估算缺失值的默认方法。但是，它不那么好，因为它会导致信息丢失。 您是否知道R具有用于遗漏价值估算的可靠软件包？ 在本文中，我列出了5个R语言方法。 链式方程进行的多元插补通过链式方程进行的多元插补是R用户常用的。与单个插补（例如均值）相比，创建多个插补可解决缺失值的不确定性。 MICE假定丢失数据是随机（MAR）丢失，这意味着，一个值丢失概率上观测值仅取决于并且可以使用它们来预测。通过为每个变量指定插补模型，可以按变量插补数据。 例如：假设我们有X1，X2….Xk变量。如果X1缺少值，那么它将在其他变量X2到Xk上回归。然后，将X1中的缺失值替换为获得的预测值。同样，如果X2缺少值，则X1，X3至Xk变量将在预测模型中用作自变量。稍后，缺失值将被替换为预测值。 默认情况下，线性回归用于预测连续缺失值。Logistic回归用于分类缺失值。一旦完成此循环，就会生成多个数据集。这些数据集仅在估算的缺失值上有所不同。通常，将这些数据集分别构建模型并组合其结果被认为是一个好习惯。 确切地说，此软件包使用的方法是：
现在让我们实际了解它。 path <- \"../Data/Tutorial\"\n> setwd(path)\n\n#load data\n> data <- iris\n\n#Get summary\n> summary(iris)\n\n#Generate 10% missing values at Random \n> iris.mis <- prodNA(iris, noNA = 0.1)\n\n#Check missing values introduced in the data\n> summary(iris.mis)\n","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">我删除了分类变量。让我们在这里关注连续值。要处理分类变量，只需对级别进行编码并按照以下步骤进行即可。 iris.mis <- subset(iris.mis, select = -c(Species))\n> summary(iris.mis)\n\n ","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">md.pattern（）的功能，它返回数据集中每个变量中存在的缺失值的表格形式。 md.pattern(iris.mis)","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">
让我们了解一下这张表。有98个观测值，没有缺失值。Sepal.Length中有10个观测值缺失的观测值。同样，Sepal.Width等还有13个缺失值。 我们还可以创建代表缺失值的视觉效果。 mice_plot <- aggr(iris.mis, col=c('navyblue','yellow'),\n numbers=TRUE, sortVars=TRUE,\n labels=names(iris.mis), cex.axis=.7,\n gap=3, ylab=c(\"Missing data\",\"Pattern\"))","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">
让我们快速了解这一点。数据集中有67％的值，没有缺失值。在Petal.Length中缺少10％的值，在Petal.Width中缺少8％的值，依此类推。您还可以查看直方图，该直方图清楚地描述了变量中缺失值的影响。 现在，让我们估算缺失的值。 summary(imputed_Data)\n\nMultiply imputed data set\nCall:\n Number of multiple imputations: 5\nMissing cells per column:\nSepal.Length Sepal.Width Petal.Length Petal.Width \n13 14 16 15 \nImputation methods:\nSepal.Length Sepal.Width Petal.Length Petal.Width \n\"pmm\" \"pmm\" \"pmm\" \"pmm\" \nVisitSequence:\nSepal.Length Sepal.Width Petal.Length Petal.Width \n1 2 3 4 \nPredictorMatrix:\n Sepal.Length Sepal.Width Petal.Length Petal.Width\nSepal.Length 0 1 1 1\nSepal.Width 1 0 1 1\nPetal.Length 1 1 0 1\nPetal.Width 1 1 1 0\nRandom generator seed value: 500","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">这是使用的参数的说明：
由于有5个估算数据集，因此可以使用complete（）函数选择任何数据集。 还可以合并来自这些模型的结果，并使用pool（）命令获得合并的输出。 请注意，我仅出于演示目的使用了上面的命令。您可以在最后替换变量值并尝试。 多重插补该程序包还执行多个插补（生成插补数据集）以处理缺失值。多重插补有助于减少偏差并提高效率。它可以通过基于引导程序的EMB算法启用，从而可以更快速，更可靠地插入许多变量，包括横截面，时间序列数据等。此外，还可以使用多核CPU的并行插入功能来启用它。 它做出以下假设：
因此，当数据具有多变量正态分布时，此 最有效。如果没有，将进行转换以使数据接近常态。 现在让我们实际了解它。 您唯一需要注意的是对变量进行分类。 amelia_fit$imputations[[1]]\n> amelia_fit$imputations[[2]]\n> amelia_fit$imputations[[3]]\n> amelia_fit$imputations[[4]]\n> amelia_fit$imputations[[5]]","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">要检查数据集中的特定列，请使用以下命令 amelia_fit$imputations[[5]]$Sepal.Length\n\n#export the outputs to csv files\n> write.amelia(amelia_fit, file.stem = \"imputed_data_set\")","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">随机森林顾名思义，missForest是一个实现随机森林算法。它适用于各种变量类型的非参数插补法。那么，什么是非参数方法？ 非参数方法不会有关于函数形式明确的假设F 。取而代之的是，它尝试估计f，使其可以与数据点尽可能接近，而似乎并不切实际。 它是如何工作的 ？简而言之，它为每个变量建立一个随机森林模型。然后，它使用模型在观测值的帮助下预测变量中的缺失值。 它产生OOB（袋外）估算误差估计。而且，它对插补过程提供了高水平的控制。它有选择分别返回OOB（每个变量），而不是聚集在整个数据矩阵。这有助于更仔细地为每个变量如何准确的模型估算值。 NRMSE是归一化的均方误差。它用于表示从估算连续值得出的误差。PFC（错误分类的比例）用于表示从估算类别值得出的错误。 iris.err <- mixError(iris.imp$ximp, iris.mis, iris)\n>iris.err\n\nNRMSE PFC \n0.1535103 0.0625000","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">这表明类别变量的误差为6％，连续变量的误差为15％。这可以通过调整mtry和ntree参数的值来改善 。mtry是指在每个分割中随机采样的变量数。ntree是指在森林中生长的树木数量。 非参数回归方法对多个插补中的每个插补使用不同的引导程序重采样。然后，将 加性模型（非参数回归方法）拟合到从原始数据中进行替换得到的样本上，并使用非缺失值（独立变量）预测缺失值（充当独立变量）。 然后，它使用预测均值匹配（默认）来插补缺失值。预测均值匹配非常适合连续和分类（二进制和多级），而无需计算残差和最大似然拟合。 、 argImpute（）自动识别变量类型并对其进行相应处理。
输出显示R²值作为预测的缺失值。该值越高，预测的值越好。您还可以使用以下命令检查估算值 impute_arg$imputed$Sepal.Length","classes":{"has":1}}" data-cke-widget-upcasted="1" data-cke-widget-keep-attr="0" data-widget="codeSnippet">带有诊断的多重插补带有诊断的多重插补 提供了一些用于处理缺失值的功能。 它也构建了多个插补模型来近似缺失值。并且，使用预测均值匹配方法。 虽然，我已经在上面解释了预测均值匹配（pmm） ：对于变量中缺失值的每个观察值，我们都会从可用值中找到最接近的观察值该变量的预测均值。然后将来自“匹配”的观察值用作推定值。
如图所示，它使用汇总统计信息来定义估算值。 尾注在本文中，我说明使用5个方法进行缺失值估算。这种方法可以帮助您在建立预测模型时获得更高的准确性。 |
|
|
