无效的插补

太多缺失的值可能会对机器学习模型的质量产生负面影响。插补是填充缺失值（称为空值）的实践。丢失数据的原因可能有很多，例如数据库错误、用户没有填写表单的一部分，或者您开始收集新数据，而数据集中的旧记录没有新的数据点。

在自动数据预处理过程中，通过排除缺失值超过 50% 的列并输入缺失值来处理空值。类别值用模式估算，数值用平均值估算。

了解插补可能对数据产生的影响很重要。脉冲保留了行或列的预测能力，但它也有可能创建以前不存在的模式，或为确实存在的模式添加噪声。这会降低数据的有效性。

您可能需要审查数据收集实践，以确保数据完整，并根据需要实施新流程。以下方法是归零的常见做法。如果要保留空值的表示形式，可以使用诸如“other”或“unknown”之类的值填充空值。

插补是如何工作的

以下方法是归零的常见做法。

数值

一个良好的默认值是估算平均值。如果缺失的值是正态分布的，这就像在跷跷板的中心增加重量一样，不会影响两边的重量。然而，您应该始终考虑该值试图代表什么。例如，如果您的销售数据中销售价格的某些值为空，那么这是由数据库错误引起的还是买家使用优惠券作为付款？0 或平均值外其他值是否更有意义？

类别值

分类值的一个好的默认值是添加另一个类别，并将其称为“其他”、“未知”，甚至“缺失”。如果缺失值是随机分布的，则该类别可以保持额外的方差，如果缺失值与目标值之间存在有意义的关系，则该类可以保持特征重要性的增加。

回退是以模式的形式计算平均值。与数值一样，考虑值实际试图表示什么以及值可能丢失的原因总是很重要的。如果您知道大多数缺失的值可能是模式，那么可以使用模式进行插补。如果不知道，或者存在不确定性，您可以使用填充文本来计算分类值，该填充文本是数据集的新唯一值。

输入数值的影响

数值插补 1 显示了具有最佳拟合线的散点图。我们沿着类别 (x) 轴有一个数值，沿着值 (y) 轴有目标值。这似乎是一个很好的拟合，但它只考虑了已知 x 的数据点。

在数值插补 2 中，我们插补了平均值。然而，缺失的值似乎不是随机的。这会导致最佳拟合线倾斜，并增加噪声，从而降低模型的整体精度。

数值插补 3 中的图表显示了当缺失值随机分布时，如果我们插补平均值，会是什么样。换言之，当知道价值是否存在或缺失而无法获得额外知识时。当丢失的值随机分布时，它不会改变最佳拟合线。如果我们插补 0 而不是平均值，它将以与数值插补 2 类似的方式改变最佳拟合线。

：贷款资格

现实世界中的一个例子是，如果 x 是年收入，y 是某人有资格获得贷款的金额。我们期望一种关系，一个人赚的钱越多，他们可以借的钱就越多。该模式类似于上述数值插补 1。

想象一下，赚更少钱的人不太可能提交他们的年收入。在这种情况下，由于特定原因，x 值丢失。输入这些值的平均值会扭曲模型的结果。结果类似于数值插补 2。

现在，考虑数据库中的一些记录被随机删除。这些记录包含了一些人赚了多少钱的数据，但没有这个人的记录。因此 x 值随机为空。这种影响在数值插补3中有描述，我们可以安全地插补缺失的值。

另一个需要考虑的问题是：如果 0 被计算而不是平均值呢？在贷款资格示例中，说某人每年赚 0 美元可能不是一个准确的表述。这将使模型与数值插补 2 类似。

输入分类值的影响

在上述数值示例中，我们使用均值来估算缺失值。分类值的一个简单方法是采用模式，这是最频繁出现的值。输入模式的一些挑战与输入数值的平均值的挑战相同。

在下表中，missing_1 中的缺失值与目标相关，而 missing_2 是随机分布的。我们可以看到这一点，因为 Missing_2 与总体平均目标值匹配。Missing_1 与数值插补 2 相似，Missing_2 与数值插补 3 相似。

与数值示例的不同之处在于，在这种情况下，Missing_1 和 Missing_2 都会扭曲模式识别。它只针对数据的一个子集，即 B 类，如果使用模式进行输入，则 B 类将是估算值，因为它是最大的类别。

扭曲单一值和目标值之间的关系并不是插补的唯一风险，但它是最常见和最容易评估的风险之一。其他风险往往只会增加噪音并降低准确性。幸运的是，通过删除相对稀疏的维度，可以大大降低倾斜的风险。关于一列或一行中到底允许什么样的稀疏度，经常有争论，但很少有争论认为，输入值有可能以一种不再代表数据试图描述的内容的方式扭曲数据。