有一个训练集train,想要用它来训练模型并且来进行测试,所以我们要把它分为训练集和测试集。假如我们的数据集里面有一个缺失值,那么我们应该如何填充这个缺失值。
假如我们先填充数据集然后再把数据分为训练集和测试集,那么这个时候出现一个违反原则的事情:我们用的训练集的数据竟然有一部分来自测试集,哈哈,但是在进行训练的时候我们是不可能知道测试时候的数据的。
奇怪的是,作者给了另外一种方式,那就是用训练集的均值来填充训练集和测试集的数据。 我本来想的是这样的,用训练集的均值来填充训练集的均值,用测试集的均值来填充测试集的均值。