利用一些统计值来填补无疑是最简单的,比如利用均值,中位数,最大值,最小值等来填补,显然,这种方法填补虽然比较简单,但是它所带来的误差一般会比较大,精确度也比较低。

回归法也可以用来拟合估计缺失值。对于连续取值的变量,可以利用线性回归来拟合估计其取值。对于二值变量,可以利用 logistic regression 来估计其取值。类似的,也可以利用支持向量回归法对缺失的连续型变量进行预测,对于缺失的二值变量,可以利用支持向量机对其进行预测。

k 近邻法来填补缺失值。其中k近邻法即为通过距其最近的 k 个邻居来估计缺失值,各个邻居对应的权重基于该邻居到具有缺失值样本的距离加权得到,这里的距离一般选取欧几里得距离。对于实数域类型的特征,可以利用一般的k近邻法来填补,对于离散型特征,可以用出现频率最高的来代替。这种方法里面的参数k比较难选取,不易找到选取适当k的依据。

通过构建决策树也可以对缺失值进行预测。利用不缺失某个属性的样本训练决策树,然后对于该属性缺失的样本即可利用训练所得决策树来预测所缺失的属性取值。