我正在学习估算和模型训练。以下是我在训练数据集时遇到的几个问题。请提供这些问题的答案。
输入相关
另一个问题与插补有关。想象一下，我有一些船上乘客的数据集，其中只有头等舱乘客被分配到客舱。有一个列保存舱室编号（分类），但很少有观察结果具有这些舱室编号。现在我知道这一列很重要，所以我无法删除它，而且因为它有很多缺失值，所以大多数算法都不起作用。如何处理这种类型的列的插补？
在估算验证数据时，我们是否使用与估算训练数据相同的值进行估算，还是根据验证数据本身再次计算估算值？
如何以字符串形式插补数据，如票号（如 A-123）。该列很重要，因为第一个字母表告诉乘客的类别。因此，我们不能放弃它。
假设我有一个包含 1000 个观察值的数据集。现在我训练模型 一次性获得完整的数据集。我这样做的另一种方式是，我将我的 数据集为 80% 和 20%，并首先以 80% 训练我的模型，然后再训练 20% 数据。是一样还是不一样？
很难说：好还是不好。一般来说，如果您的数据（分割）取自同一分布 - 您可以执行额外的训练。然而，并非所有模型类型都适合它。我建议您在额外训练之前和之后运行某种具有 80/20 分割和错误测量检查的交叉验证。
基本上，如果我已经训练了我的 根据新数据训练模型，这意味着什么？
如果您从相同的分布中获取数据集：您将执行额外的学习，理论上应该对您的模型产生积极影响。
想象一下，我有一些船上乘客的数据集，其中只有头等舱乘客被分配到客舱。有一个列保存舱室编号（分类），但很少有观察结果具有这些舱室编号。现在我知道这一列很重要，所以我无法删除它，而且因为它有很多缺失值，所以大多数算法都不起作用。如何处理这种类型的列的插补？
您需要清楚地了解您想通过插补做什么。如果只有头等舱才有价值，那么如何对二等舱或三等舱进行插补？你需要找到什么？甲板？舱号？您想寻找新值还是通过现有值进行估算？
在估算验证数据时，我们是否使用与估算训练数据相同的值进行估算，还是根据验证数据本身再次计算估算值？
通常，您对拥有的整个数据（没有目标列）运行插补算法。
如何以字符串形式插补数据，如票号（如 A-123）。该列很重要，因为第一个字母表告诉乘客的类别。因此，我们不能放弃它。
如果案例数量有限，则只需将值估算为字符串即可。如果没有，则执行特征工程：尝试预测字母、数字、数字的第一位、len(number) 等。