Прогнозирование с помощью randomForest (R), когда некоторые входные данные имеют пропущенные значения (NA)

9

У меня есть прекрасная randomForestклассификационная модель, которую я хотел бы использовать в приложении, которое предсказывает класс нового случая. В новом случае неизбежно отсутствуют значения. Прогноз не будет работать как таковой для АН. Как мне тогда это сделать?

data(iris)
# create first the new case with missing values
na.row<-45
na.col<-c(3,5)
case.na<-iris[na.row,]
case.na[,na.col]<-NA

iris.rf <- randomForest(Species ~ ., data=iris[-na.row,])
# print(iris.rf)

myrf.pred <- predict(iris.rf, case.na[-5], type="response")
myrf.pred
[1] <NA>

Я попробовал missForest. Я объединил исходные данные и новый случай, встряхнул их missForestи получил вмененные значения для NA в моем новом случае. Слишком тяжелые вычисления, хотя.

data.imp <- missForest(data.with.na)

Но должен быть способ использовать rf-модель для предсказания нового случая с отсутствующими значениями, верно?

Hermo
источник
4
Существует множество способов обработки пропущенных значений в деревьях решений, но randomForestпакет в R имеет только метод импутации, который вы описали. Если вы хотите остаться в аналогичной среде, gbmесть несколько более плавный метод обработки пропущенных значений в новых данных (это не идеально, но полезно).
Ши Паркс
Я думаю, что партийный пакет лучше справляется с отсутствующими значениями
Simone
Уважаемый @Simone, как partyпакет работает с NA в тестовом наборе? Я не мог найти следов вменения в partyруководствах или примерах.
hermo
@hermo попробуйте взглянуть на статью участника citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.92.9930, похоже, алгоритм работает как CART - он ищет суррогатные разбиения.
Симона
Попробуйте использовать «na.action = na.roughfix».

Ответы:

1

У вас нет выбора, кроме как вменять значения или менять модели. Хороший выбор может быть хорошим решением в пакете Hmisc. Я думаю, что он менее тяжелый, чем rfimpute, который вас задерживает, первый пример пакета (есть и другие):

# Check that aregImpute can almost exactly estimate missing values when
# there is a perfect nonlinear relationship between two variables
# Fit restricted cubic splines with 4 knots for x1 and x2, linear for x3
set.seed(3)
x1 <- rnorm(200)
x2 <- x1^2
x3 <- runif(200)
m <- 30
x2[1:m] <- NA
a <- aregImpute(~x1+x2+I(x3), n.impute=5, nk=4, match='closest')
a
matplot(x1[1:m]^2, a$imputed$x2)
abline(a=0, b=1, lty=2)

x1[1:m]^2
a$imputed$x2

# Multiple imputation and estimation of variances and covariances of
# regression coefficient estimates accounting for imputation
# Example 1: large sample size, much missing data, no overlap in
# NAs across variables
x1 <- factor(sample(c('a','b','c'),1000,TRUE))
x2 <- (x1=='b') + 3*(x1=='c') + rnorm(1000,0,2)
x3 <- rnorm(1000)
y  <- x2 + 1*(x1=='c') + .2*x3 + rnorm(1000,0,2)
orig.x1 <- x1[1:250]
orig.x2 <- x2[251:350]
x1[1:250] <- NA
x2[251:350] <- NA
d <- data.frame(x1,x2,x3,y)
# Find value of nk that yields best validating imputation models
# tlinear=FALSE means to not force the target variable to be linear
f <- aregImpute(~y + x1 + x2 + x3, nk=c(0,3:5), tlinear=FALSE,
                data=d, B=10) # normally B=75
f
# Try forcing target variable (x1, then x2) to be linear while allowing
# predictors to be nonlinear (could also say tlinear=TRUE)
f <- aregImpute(~y + x1 + x2 + x3, nk=c(0,3:5), data=d, B=10)
f

# Use 100 imputations to better check against individual true values
f <- aregImpute(~y + x1 + x2 + x3, n.impute=100, data=d)
f
par(mfrow=c(2,1))
plot(f)
modecat <- function(u) {
 tab <- table(u)
 as.numeric(names(tab)[tab==max(tab)][1])
}
table(orig.x1,apply(f$imputed$x1, 1, modecat))
par(mfrow=c(1,1))
plot(orig.x2, apply(f$imputed$x2, 1, mean))
fmi <- fit.mult.impute(y ~ x1 + x2 + x3, lm, f, 
                       data=d)
sqrt(diag(vcov(fmi)))
fcc <- lm(y ~ x1 + x2 + x3)
summary(fcc)   # SEs are larger than from mult. imputation

Вы упоминаете, что у вас есть много новых наблюдений, в которых отсутствуют значения для независимых переменных. Несмотря на то, что у вас есть много подобных случаев, если для каждого нового наблюдения есть только пропуски в одной или двух его переменных, а количество переменных не является крошечным, возможно, просто заполняет дыры медианой или средним (они непрерывны?) может работать

Другая вещь, которая может быть интересной, - это провести анализ незначительной переменной важности. Реализация случайного леса R вычисляет два показателя важности и соответствующие графики:

varImpPlot(yourRandomForestModel) # yourRandomForestModel must have the argument importance=TRUE 

И вы можете просто поиграть с «важными» переменными в обучении модели, пока точность прогноза не окажет существенного влияния по сравнению с «полной моделью». Может быть, вы храните переменные с небольшим количеством пропусков. Это может помочь вам уменьшить размер вашей проблемы.

JEquihua
источник