shauna570392
2020-07-09 阅读量: 872
主要看业务逻辑和缺失值占比，目标保证对预测结果影响越小越好
1. 占比较多：如80%以上，删除缺失值所在列（如果对字段有特殊需求，那就删除样本，前提是样本足够多）
2. 占比一般：30%-80%，将缺失值作为单独的类
3. 占比少：10%-30% , 多重插补（通过特征进行相互间的预测）随机森林回归填补
4. 占比较少：10%以上，单一值替换：中位数、均值、众数
5. 在决策树中可以将缺失值处理融合到算法中：按比重分配
损失函数（Loss Function ）是定义在单个样本上的，算的是一个样本的误差。代价函数（Cost Function ）是定义在整个训练集上的，是所有样本误差的平均，也就是损失函数的平均。目标函数（Object Function）定义为：最终需要优化的函数。等于经验风险+结构风险（也就是Cost Function + 正则化项）。PS：关于目标函数和代价函数的区别还有一种通俗的区别：目标函数是
自助法验证不管是 Holdout 检验还是交叉检验 ， 都是基于划分训练集和测试集的方法进行模型评估的 。 然而，当样本规模比较小时，将样本集进行划分会让训练集进一步减小 ，这可能会影响模型训练效果。有没有能维持训练集样本规模的验证方法呢？自助法可以比较好地解决这个问题 。自助法是基于自助采样法的检验方法 。 对于总数为 n 的样本集合 ，进行 n 次有放回的随机抽样 ，得到大小为 n 的训练集
留一验证：每次留下1个样本作为验证集， 其余所有样本作为测试集 。样本总数为 n ，依次对 n 个样本进行遍历，进行 n次验证 ，再将评估指标求平均值得到最终的评估指标 。 在样本总数较多的情况下，留一验证法的时间开销极大 。 事实上，留一验证是留 p 验证的特例 。 留 p 验证是每次留下 p 个样本作为验证集，而从 n 个元素中选择 p 个元素有C种可能, 因此它的时间开销更是远远高于留一验证
k-fold 交叉验证：首先将全部样本划分成 k 个大小相等的样本子集；依次遍历这 k 个子集，每次把当前子集作为验证集，真余所有子集作为训练集，进行模型的训练和评估；最后把 k 次评估指标的平均值作为最终的评估指标 。 在实际实验中， k 经常取 10。
