WEKA：如何区分“缺失”和“不适用”的数字数据？

Question

我是 WEKA 的新手。

在我的数据集中，我有一个类型为数字的属性。在数据集中，有特定的值被表示为“缺失值”和“不适用”。

例如

0- 缺失值 99999 - 代表不适用

对于“缺失值”，我可以使用“？”来表示它，但是对于“不适用”呢？

我的问题是：- 1）我们如何告诉 WEKA 在计算平均值或标准差时不要包含“不适用”值？ 2）“不适用”值如何影响分类结果？

谢谢。

Answer 1

这实际上可能是一个更适合 stats.stackexchange.com 的问题，尽管我承认这是一个特定于 WEKA 的问题。现在，WEKA 中可能有模型可以很好地处理缺失值的问题。我不知道 WEKA，但我可能有决策树实现可以为您优雅地处理这个问题。

但是，您可能需要先做一些更基本的考虑，因为缺少特征值是一个难题。无论如何，这些考虑都必须通过 WEKA 中的任何自动功能来进行，因此最好使用您的领域知识事先完成它们。..

“不适用”是该功能缺失的一种方式。因此，根据您的数据集，“缺失”和“不适用”之间可能有区别，也可能没有区别。在调用一个值“缺失”时，你只是在说你没有这个值。为什么不见了？

功能缺失的潜在原因有很多，其中一些比其他更有害。在这种情况下，主要有三种选择：

1. 删除所有缺失值的记录
2. 删除任何具有缺失值的特征
3. 用一些“猜测”替换任何缺失的值，该值应该是什么。这称为插补。

显然，最保守和最安全的选择就是简单地删除该功能。在此过程中，创建一个额外的指标特征会很有用，它可以简单地指示原始特征是否丢失。这些信息可能有助于拟合一个好的模型。

在选择这三种方法中的哪一种时，需要考虑几件事情。

• 您确定 99999 是由显式 NA 决策生成的，而不是通过与 0 相同的机制生成的吗？零是通过什么机制生成的，因为您只是将它们描述为“缺失”？
• 这些特征值表示缺失值的常见程度如何？缺失的特征值越多，案例删除或特征插补的风险就越大。
• 如果您认为插补有价值，您的领域知识能否帮助您选择合适的值？例如，如果一个值仅在偏离某个值（例如高血压）时才输入，而在其处于预期水平时留空，则在缺失的情况下将该值插补是合理的。