scikit中的分类器 - 学习处理nan / null

Question

我想知道在scikit-learn中是否存在处理nan / null值的分类器。我以为随机森林回归器处理这个，但是当我打电话给predict时我得到了一个错误。

X_train = np.array([[1, np.nan, 3],[np.nan, 5, 6]])
y_train = np.array([1, 2])
clf = RandomForestRegressor(X_train, y_train)
X_test = np.array([7, 8, np.nan])
y_pred = clf.predict(X_test) # Fails!

我是否可以使用缺少值的任何scikit-learn算法调用预测？

编辑。现在我想到这一点，这是有道理的。这在训练期间不是问题，但是当你预测变量为空时如何分支？也许你可以分开两种方式并平均结果？只要距离函数忽略空值，k-NN似乎应该可以正常工作。

编辑2（更老，更聪明）一些gbm库（例如xgboost）正是为了这个目的而使用三元树而不是二叉树：2个孩子用于是/否决定，1个孩子用于缺失决策。 sklearn是using a binary tree

Answer 1

我做了一个示例，其中包含训练和测试集中的缺失值

我刚刚选择了使用SimpleImputer类替换缺失数据的策略。还有其他策略。

from __future__ import print_function

import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.impute import SimpleImputer


X_train = [[0, 0, np.nan], [np.nan, 1, 1]]
Y_train = [0, 1]
X_test_1 = [0, 0, np.nan]
X_test_2 = [0, np.nan, np.nan]
X_test_3 = [np.nan, 1, 1]

# Create our imputer to replace missing values with the mean e.g.
imp = SimpleImputer(missing_values=np.nan, strategy='mean')
imp = imp.fit(X_train)

# Impute our data, then train
X_train_imp = imp.transform(X_train)
clf = RandomForestClassifier(n_estimators=10)
clf = clf.fit(X_train_imp, Y_train)

for X_test in [X_test_1, X_test_2, X_test_3]:
    # Impute each test item, then predict
    X_test_imp = imp.transform(X_test)
    print(X_test, '->', clf.predict(X_test_imp))

# Results
[0, 0, nan] -> [0]
[0, nan, nan] -> [0]
[nan, 1, 1] -> [1]

Answer 2

简短的回答

有时缺失值根本不适用。施加它们是没有意义的。在这些情况下，您应该使用可以处理缺失值的模型。 Scitkit-learn的模型无法处理缺失值。 XGBoost可以。

---

更多关于scikit-learn和XGBoost的信息

正如在this article中提到的，scikit-learn的决策树和KNN算法不是（yet）足够强大，可以处理缺失值。如果插补没有意义，就不要这样做。

当插补没有意义时，请考虑一下情绪。

请记住，这是一个简单的例子

考虑具有多排汽车的数据集（“Danho Diesel”，“Estal Electric”，“Hesproc Hybrid”）和具有其属性的列（重量，最高速度，加速度，功率输出，二氧化硫排放，范围）。

电动汽车不产生废气 - 所以Estal Electric的二氧化硫排放应该是NaN值（缺失）。你可以说它应该设置为0 - 但电动汽车不能产生二氧化硫。输入值会破坏您的预测。

正如在this article中提到的，scikit-learn的决策树和KNN算法不是（yet）足够强大，可以处理缺失值。如果插补没有意义，就不要这样做。

Answer 3

如果您使用的是DataFrame，则可以使用fillna。在这里，我用该列的平均值替换了缺失的数据。

df.fillna(df.mean(), inplace=True)