机器学习 – 如何处理C4.5(J48)决策树中缺少的属性值？

使用Weka的C4.5(J48)决策树处理缺失特征属性值的最佳方法是什么？在训练和分类期间都会出现缺失值的问题.

>如果培训实例中缺少值,假设我放置’？’,我是否正确？功能的价值？
>假设我能够成功构建决策树,然后从Weka的树结构中用C或Java创建自己的树代码.在分类时,如果我尝试对新实例进行分类,我会为具有缺失值的功能赋予什么价值？如何将树下降到我具有未知值的决策节点？

使用Naive Bayes会更好地处理缺失值吗？我只想为他们分配一个非常小的非零概率,对吗？

解决方法

来自佩德罗多明戈斯在华盛顿大学的ML课程：

以下是佩德罗建议的A缺失值的三种方法：

>在分配给节点n的其他示例中分配A的最常见值
>在具有相同目标值的其他示例中分配A的最常见值
>将概率p_i分配给A的每个可能值v_i;将示例的分数p_i分配给树中的每个后代.

幻灯片和视频现在可在here查看.

原文地址：https://www.jb51.cc/c/111319.html