Какие существуют методы восстановления пропущенных математических знаков?

Некоторые методы восстановления пропущенных математических значений:

• Игнорирование объектов с пропусками. www.machinelearning.ru Этот метод применяют, когда малая часть объектов выборки имеет пропущенные значения. www.machinelearning.ru Преимущество подхода — простота и невозможность испортить данные путём замены пропусков. www.machinelearning.ru
• Замена пропусков на специальное заранее определённое значение. www.machinelearning.ru Например, на 0 или -1. www.machinelearning.ru Такой подход позволяет не уменьшать размер выборки, но может вносить значения, сильно отличающиеся от настоящих. www.machinelearning.ru
• Замена на моду или среднее значение по конкретному признаку. www.machinelearning.ru В случае категориального признака все пропуски заменяются на наиболее часто встречающее значение, в случае количественного признака — на среднее значение по признаку. www.machinelearning.ru
• Локальный метод восстановления пропущенных значений. www.dissercat.com Основан на сравнении неизвестного значения признака со значениями данного признака других объектов, находящихся в локальной окрестности объекта. www.dissercat.com
• Статистические подходы. www.dissercat.com К ним относятся, например, EM-алгоритм, Full information maximum likelihood (FIML, полная оценка максимального правдоподобия). www.dissercat.com Такие подходы показывают неплохие результаты на больших выборках. www.dissercat.com

Единого стандарта восстановления пропущенных значений признаков не существует. www.dissercat.com Выбор метода зависит от задачи. www.dissercat.com