MissingValueSynthesis
是诸如 Classify 之类函数的一个选项,用于指定应如何替换缺失值.
更多信息
- 缺失值合成 (Missing Value Synthesis),也称为缺失插补 (Missing Imputation),是通过调节已知值的分布来完成的,如 SynthesizeMissingValues.
- 缺失值通常表示由 Missing[…]表示.
- MissingValueSynthesis 可用于训练时间、推理时间或更新现有模型的合成器.
- Classify[data,…,MissingValueSynthesissynth] 可用于指定缺失的合成方法或模型以训练(对于其他训练函数也类似).
- ClassifierFunction[…][example,MissingValueSynthesissynth] 可用于在分类器推理期间临时覆盖合成方法(对于其他机器学习模型也类似).
- Classify[ClassifierFunction[…],MissingValueSynthesissynth] 可用于覆盖分类器内部缺失的合成器(对于其他机器学习模型也类似).
- MissingValueSynthesis 的可能设置包括:
-
Automatic 自动选择分布方式和合成策略 None 不要使用任何缺失的合成器 method 使用指定的方法 strategy 如何从分布中合成 assoc 指定分布方法和合成策略 - method 的可能设置包括:
-
Automatic 自动选择分布方式 "Multinormal" 使用多元正态(高斯)分布 "ContingencyTable" 离散数据并存储每个可能的概率 "KernelDensityEstimation" 使用内核混合分布 "DecisionTree" 使用决策树计算概率 "GaussianMixture" 使用混合高斯(正态)分布 LearnedDistribution[…] 使用指定的分布 - strategy 的可能设置包括:
-
Automatic 自动选择合成策略 "RandomSampling" 从条件分布中随机抽样 "ModeFinding" 尝试找到条件分布的众数 - 在 Methodassoc 的形式中,关联 assoc 的形式应该为 <|"LearningMethod"method,"EvaluationStrategy"strategy|>.
范例
基本范例 (2)
x = {{1, 3}, {2, 4}, {3, 5}, {4, 4}, {5, 8}, {6, 9}, {7, 4}, {8, 6}, {9, 12}};
y = {2, 4, 5, 4, 6, 7, 4, 5, 9};
p = Predict[x -> y]p[{5, Missing[]}]设置缺失值合成,在给定已知值的情况下用最可能的值替换缺失变量(这是默认行为):
p[{5, Missing[]}, MissingValueSynthesis -> "ModeFinding"]p[{5, Missing[]}, MissingValueSynthesis -> "RandomSampling"]对许多随机插补进行平均通常是最好的策略,并允许获得由插补引起的不确定性:
MeanAround[Table[p[{5, Missing[]}, MissingValueSynthesis -> "RandomSampling"], 10]]
MeanAround[Table[p[{5, Missing[]}, MissingValueSynthesis -> "RandomSampling"], 100]]p = Predict[x -> y, MissingValueSynthesis -> "KernelDensityEstimation"]用 "KernelDensityEstimation" 分布对具有缺失值的样例进行预测:
p[{5, Missing[]}]在训练时提供已有的 LearnedDistribution 以在训练和后续运算期间插补缺失值时使用:
dist = LearnDistribution[x, Method -> "Multinormal"];
p = Predict[x -> y, MissingValueSynthesis -> dist];
p[{5, Missing[]}]指定已有的 LearnedDistribution 针对单次计算合成缺失值:
dist2 = LearnDistribution[x, Method -> "KernelDensityEstimation"];
p[{5, Missing[]}, MissingValueSynthesis -> dist2]p = Predict[x -> y, MissingValueSynthesis ->
<|"LearningMethod" -> "Multinormal", "EvaluationStrategy" -> "RandomSampling"|>];
p[{5, Missing[]}]x = {{1, 3}, {2, 4}, {3, 5}, {4, 4}, {5, 8}, {6, 9}, {7, 4}, {8, 6}, {9, 12}};
y = {"A", "B", "A", "B", "B", "B", "A", "B", "A"};
c = Classify[x -> y]c[{5, Missing[]}, "Probabilities"]设置缺失值合成,在给定已知值的情况下用最可能的值替换缺失变量(这是默认行为):
c[{5, Missing[]}, "Probabilities", MissingValueSynthesis -> "ModeFinding"]c[{5, Missing[]}, "Probabilities", MissingValueSynthesis -> "RandomSampling"]对许多随机插补进行平均通常是最好的策略,并允许获得由插补引起的不确定性:
MeanAround[Table[c[{5, Missing[]}, "Probabilities", MissingValueSynthesis -> "RandomSampling"], 100]]文本
Wolfram Research (2021),MissingValueSynthesis,Wolfram 语言函数,https://reference.wolfram.com/language/ref/MissingValueSynthesis.html.
CMS
Wolfram 语言. 2021. "MissingValueSynthesis." Wolfram 语言与系统参考资料中心. Wolfram Research. https://reference.wolfram.com/language/ref/MissingValueSynthesis.html.
APA
Wolfram 语言. (2021). MissingValueSynthesis. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/MissingValueSynthesis.html 年
BibTeX
@misc{reference.wolfram_2026_missingvaluesynthesis, author="Wolfram Research", title="{MissingValueSynthesis}", year="2021", howpublished="\url{https://reference.wolfram.com/language/ref/MissingValueSynthesis.html}", note=[Accessed: 15-November-2026]}
BibLaTeX
@online{reference.wolfram_2026_missingvaluesynthesis, organization={Wolfram Research}, title={MissingValueSynthesis}, year={2021}, url={https://reference.wolfram.com/language/ref/MissingValueSynthesis.html}, note=[Accessed: 15-November-2026]}