جانشینی مقادیر گمشده و تاثیر آن بر خطای کلاسه بندی

اجتناب از داده های گمشده در مجموعه داده های واقعی، حتی اگر نهایت دقت هم در جمع آوری داده ها بشود، باز هم غیرممکن است. این مقادیر می توانند تمام فرایند داده کاوی و تفسیرهای حاصل را تحت تاثیر قرار دهند. اکثر الگوریتم های داده کاوی با این فرض طراحی شده اند که هیچ مقدار گمشده ای در مجموعه داده ها وجود ندارد. بنابراین برخورد با مقادیر گمشده می تواند بطور قابل ملاحظه ای کیفیت داده کاوی را افزایش دهد.در این مقاله، تاثیر روش های معروف جانشینی مقادیر گمشده شامل KNN، Hot Deck، Mean/Mode و Multiple Imputation بر روی دقت و خطای کلاسه بندی با آزمایش بر روی ده مجموعه داده با کاربردهای مختلف مورد مقایسه و ارزیابی قرار می گیرند. آزمایشات بر روی شش نرخ مختلف از مقادیر گمشده انجام می گیرند. این مجموعه داده ها در اندازه، تعداد مقادیر گمشده، و انواع داده های اسمی و عددی متفاوت می باشند. در آزمایشات از پنج کلاسه بند معروف نزدیکترین k همسایه، بیزین ساده، مبتنی بر قاعده ی RIPPER و ماشین بردار پشتیبان استفاده می شود.

کلیدواژه ها:

مقادیر گمشده ، جانشینی مقادیر گمشده ، کلاسه بندی ، داده کاوی