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 آوریداده ها بشود، باز هم غیرممکن است. این مقادیر می توانند تمام فرایند داده کاوی و تفسیرهایحاصل را تحت تاثیر قرار دهند. اکثر الگوریتم های داده کاوی با این فرض طراحی شده اند که هیچمقدار گمشدهای در مجموعه داده ها وجود ندارد. بنابراین برخورد با مقادیر گمشده می تواند بطورقابل ملاحظه ای کیفیت داده کاوی را افزایش دهد. در این مقاله، تاثیر روش های معروف جانشینیمقادیر گمشده شامل KNN, Hot Deck, Mean/Mode و Multiple Imputation برروی دقت و خطای کلاسه بندی با آزمایش بر روی ده مجموعه داده با کاربردهای مختلف موردمقایسه و ارزیابی قرار می گیرند. آزمایشات بر روی شش نرخ مختلف از مقادیر گمشده انجام میگیرند. این مجموعه داده ها در اندازه، تعداد مقادیر گمشده، و انواع داده های اسمی و عددی متفاوتمی باشند. در آزمایشات از پنج کلاسه بند معروف نزدیکترین k همسایه، بیزین ساده، مبتنی برقاعده ی RIPPER و ماشین بردار پشتیبان استفاده می شود.

کلیدواژه ها:

مقادیر گمشده ، جانشینی مقادیر گمشده ، کلاسه بندی