填补方法与样本量相关
通常，数据挖掘领域 建模时 数据样本的填补方法与样本量的大小息息相关，一般，如果变量间取值关联程度较强，则模型填补的方式似乎更为常见：
-
样本量适中的情况下，我会使用如下两种方式进行缺失值的填补
一种方法是利用proc stdize过程步，这种方法只能利用基本的描述统计的方法进行填补，例如使用均值、中位数等方式，此外，这种方式也能够同时进行样本的标准化。工作中，这个过程步的使用频率很高。
另一种方法是利用proc mi过程步<
数据挖掘中，模型填补缺失值的方法与样本量大小有关。当样本量适中，常使用proc stdize（均值、中位数）和proc mi（基于模型）；大量样本时，倾向proc dmzip（中位数）和决策树模型填补。对于连续变量的缺失值，FCS回归是常见选择，proc mi过程步结合多重插补减少随机偏差。
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
