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。
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：
- PMM（预测均值匹配）–用于数字变量
- logreg（逻辑回归）–对于二进制变量（具有2个级别）
- polyreg（贝叶斯多元回归）–用于因子变量（> = 2级）
- 比例赔率模型（有序，> = 2个级别）
现在让我们实际了解它。
> path <- "../Data/Tutorial" > setwd(path) #load data > data <- iris #Get summary > summary(iris) #Generate 10% missing values at Random > iris.mis <- prodNA(iris, noNA = 0.1) #Check missing values introduced in the data > summary(iris.mis)
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。
＃删除类别变量 > iris.mis <- subset(iris.mis, select = -c(Species)) > summary(iris.mis)
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)
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'), numbers=TRUE, sortVars=TRUE, labels=names(iris.mis), cex.axis=.7, gap=3, ylab=c("Missing data","Pattern"))
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) Multiply imputed data set Call: Number of multiple imputations: 5 Missing cells per column: Sepal.Length Sepal.Width Petal.Length Petal.Width 13 14 16 15 Imputation methods: Sepal.Length Sepal.Width Petal.Length Petal.Width "pmm" "pmm" "pmm" "pmm" VisitSequence: Sepal.Length Sepal.Width Petal.Length Petal.Width 1 2 3 4 PredictorMatrix: Sepal.Length Sepal.Width Petal.Length Petal.Width Sepal.Length 0 1 1 1 Sepal.Width 1 0 1 1 Petal.Length 1 1 0 1 Petal.Width 1 1 1 0 Random generator seed value: 500
这是使用的参数的说明：
- m – 估算数据集
- maxit – 插补缺失值的迭代次数
- method –是指插补中使用的方法。我们使用了预测均值匹配。
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：
- 数据集中的所有变量均具有多元正态分布（MVN）。它使用均值和协方差汇总数据。
- 丢失的数据本质上是随机的（随机丢失）
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。
#access imputed outputs > amelia_fit$imputations[[1]] > amelia_fit$imputations[[2]] > amelia_fit$imputations[[3]] > amelia_fit$imputations[[4]] > amelia_fit$imputations[[5]]
要检查数据集中的特定列，请使用以下命令
> amelia_fit$imputations[[5]]$Sepal.Length #export the outputs to csv files > write.amelia(amelia_fit, file.stem = "imputed_data_set")
随机森林
顾名思义，missForest是一个实现随机森林算法。它适用于各种变量类型的非参数插补法。那么，什么是非参数方法？
非参数方法不会有关于函数形式明确的假设˚F 。取而代之的是，它尝试估计f，使其可以与数据点尽可能接近，而似乎并不切实际。
它是如何工作的 ？简而言之，它为每个变量建立一个随机森林模型。然后，它使用模型在观测值的帮助下预测变量中的缺失值。
它产生OOB（袋外）估算误差估计。而且，它对插补过程提供了高水平的控制。它有选择分别返回OOB（每个变量），而不是聚集在整个数据矩阵。这有助于更仔细地为每个变量如何准确的模型估算值。
NRMSE是归一化的均方误差。它用于表示从估算连续值得出的误差。PFC（错误分类的比例）用于表示从估算类别值得出的错误。
#comparing actual data accuracy > iris.err <- mixError(iris.imp$ximp, iris.mis, iris) >iris.err NRMSE PFC 0.1535103 0.0625000
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。
> impute_arg
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
#check imputed variable Sepal.Length > impute_arg$imputed$Sepal.Length
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。
- 它可以对插补模型进行图形诊断，并可以实现插补过程的收敛。
- 它使用贝叶斯版本的回归模型来处理分离问题。
- 插补模型规范类似于R中的回归输出
- 它会自动检测数据中的不规则性，例如变量之间的高共线性。
- 而且，它在归算过程中增加了噪声，以解决加性约束的问题。
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。
