个人不建议填充缺失值，建议设置哑变量或者剔除该变量，填充成本较高
常见填充缺失值的方法：
1.均值、众数填充，填充结果粗糙对模型训练甚至有负面影响
2.直接根据没有缺失的数据线性回归填充，这样填充的好会共线性，填充的不好就没价值，很矛盾
3.剔除或者设置哑变量
个人给出一个第二个方法的优化思路，供参考：
假设存在val1~val10的自变量，其中val1存在20%以上的缺失，现在用val2-val10的变量去填充val1，这边参考了两个模型的设计思路，一个是bagging算法的随机抽取避免过拟合，另一个是Tomek+Somte的填充方法
大概思路是：
1.随机选取val1里面的n/N个case（包括缺失case及非缺失case）作为样本，随机选取val2-val10内的m个衡量特征
2.然后根据选择的具体的m个数据的衡量特征选择相似度计算方式（常见的直接算距离、余弦相似度之类），找出3-5个最临近的非缺失case或者最远的非缺失case（这里涉及全局或者局部最优）
3.构造新的val1填充缺失的val1，新val1计算方式可以为3-5个非缺失的众数、重心、随机游走、加权填充等
4.重复若干次，填充完所有缺失val1的点，当前的val1有非缺失case+填充case组成
5.这样填充的方式存在填充case过拟合或者额外产生异常点的风险，所以需要做“新点检测”，存在两个逻辑：
5.1假设存在新填充点x，x附近最近的3-5点均为新填充点，及该点为危险点
5.2假设存在新填出点x，x距离最近的非缺失case距离大于预先设置的阀值（一般为离群处理后，所有非缺失case到缺失case距离的平均），及该点为危险点
6.危险点可以重新进行1-5，也可以剔除，视情况而定
在预处理后均衡样本上填充，基于租车行业偷车用户的年龄段填充，而后判断某出行平台用户是否存在偷车可能，实际上做下来的ROC效果对比如下图（数据有所隐逸,不代表官方数据）：
网友评论