【机器学习】决策树缺失值处理方法

随机森林如何处理缺失值

1. 对于缺失的数值型变量，用其对应类别的中位数代替。
   对于缺失的描述性变量，用其对应类别中出现次数最多的数值代替。
2. 同1也是使用中位数和出现最多的数替换，但引入了权重。
   先计算要替换的数据和其他同类数据计算相似度，根据相似度确定缺失值是否更靠近该数据点。

• 首先，给缺失值预设一些估计值，比如数值型特征，选择其余数据的中位数或众数作为当前的估计值
• 然后，根据估计的数值，建立随机森林，把所有的数据放进随机森林里面跑一遍。记录每一组数据在决策树中一步一步分类的路径.
• 判断哪组数据和缺失数据路径最相似，引入一个相似度矩阵，来记录数据之间的相似度，比如有N组数据，相似度矩阵大小就是N*N
• 如果缺失值是类别变量，通过权重投票得到新估计值，如果是数值型变量，通过加权平均得到新的估计值，如此迭代，直到得到稳定的估计值。

解释相似度矩阵：
相似度矩阵就是任意两个观测实例间的相似度矩阵，原理是如果两个观测实例落在同一棵树的相同节点次数越多，则这两个观测实例的相似度越高。

详细来说：
Proximity 用来衡量两个样本之间的相似性。原理就是如果两个样本落在树的同一个叶子节点的次数越多，则这两个样本的相似度越高。当一棵树生成后，让数据集通过这棵树࿰