构造性覆盖下不完整数据修正填充方法

摘要：

不完整数据处理是数据挖掘、机器学习等领域中的重要问题,缺失值填充是处理不完整数据的主流方法.当前已有的缺失值填充方法大多运用统计学和机器学习领域的相关技术来分析原始数据中的剩余信息,从而得到较为合理的值来替代缺失部分.缺失值填充大致可以分为单一填充和多重填充,这些填充方法在不同的场景下有着各自的优势.但是,很少有方法能进一步考虑样本空间分布中的邻域信息,并以此对缺失值的填充结果进行修正.鉴于此,本文提出了一种可广泛应用于诸多现有填充方法的框架用以提升现有方法的填充效果,该框架由预填充、空间邻域信息挖掘和修正填充三部分构成.本文对7种填充方法在8个UCI数据集上进行了实验,实验结果验证了本文所提框架的有效性和鲁棒性.

关键词：不完整数据、缺失值填充、邻域信息、数据挖掘、机器学习、填充方法、单一填充、多重填充

所属期刊栏目：14

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金项目;安徽省自然科学基金项目;安徽大学博士科研启动基金项目

在线出版日期：2020-03-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1225-1232