Video: Fehlende Werte identifizieren in SPSS 2024
zu lernen. Selbst wenn Sie genügend Beispiele zur Verfügung haben, um sowohl einfache als auch komplexe Algorithmen des maschinellen Lernens zu trainieren, müssen sie vollständige Werte in den Merkmalen präsentieren. alle fehlenden Daten. Ein unvollständiges Beispiel macht das Verbinden aller Signale innerhalb und zwischen Merkmalen unmöglich. Fehlende Werte erschweren es auch dem Algorithmus, während des Trainings zu lernen. Sie müssen etwas gegen die fehlenden Daten unternehmen.
Meistens können Sie fehlende Werte ignorieren oder reparieren, indem Sie einen wahrscheinlichen Ersatzwert erraten. Zu viele fehlende Werte führen jedoch zu unsichereren Vorhersagen, da fehlende Informationen jede mögliche Zahl verdecken könnten. Folglich sind die Vorhersagen umso variabler und ungenauer, je mehr fehlende Werte in den Merkmalen enthalten sind.
Zählen Sie als ersten Schritt die Anzahl der fehlenden Fälle in jeder Variablen. Wenn eine Variable zu viele fehlende Fälle enthält, müssen Sie sie möglicherweise aus dem Trainings- und Test-Dataset löschen. Eine gute Faustregel ist, eine Variable zu löschen, wenn mehr als 90 Prozent ihrer Instanzen fehlen.
Einige Lernalgorithmen wissen nicht, wie sie mit fehlenden Werten umgehen und Fehler in Trainings- und Testphasen melden, während andere Modelle sie als Nullwerte behandeln, was zu einer Unterschätzung des vorhergesagten Werts oder der Wahrscheinlichkeit führt (Es ist so, als ob ein Teil der Formel nicht richtig funktioniert. Folglich müssen Sie alle fehlenden Werte in Ihrer Datenmatrix durch einen geeigneten Wert ersetzen, damit das maschinelle Lernen korrekt ausgeführt wird.
Es gibt viele Gründe für fehlende Daten, aber der wesentliche Punkt ist, ob die Daten zufällig oder in einer bestimmten Reihenfolge fehlen. Zufällige fehlende Daten sind ideal, da Sie ihren Wert mithilfe eines einfachen Durchschnitts-, eines Median- oder eines anderen maschinellen Lernalgorithmus ohne zu viele Bedenken schätzen können. Einige Fälle enthalten eine starke Tendenz zu bestimmten Arten von Beispielen.
Denken Sie zum Beispiel an den Fall der Untersuchung des Einkommens einer Bevölkerung. Wohlhabende Leute (vermutlich aus steuerlichen Gründen) neigen dazu, ihr wahres Einkommen zu verbergen, indem sie Ihnen berichten, dass sie es nicht wissen. Die armen Menschen hingegen können sagen, dass sie ihr Einkommen nicht aus Furcht vor einem negativen Urteil melden wollen. Wenn Sie Informationen von bestimmten Schichten der Bevölkerung vermissen, kann die Reparatur der fehlenden Daten schwierig und irreführend sein, weil Sie denken, dass solche Fälle genau wie die anderen sind.
Stattdessen sind sie ganz anders. Daher können Sie nicht einfach Durchschnittswerte verwenden, um die fehlenden Werte zu ersetzen - Sie müssen komplexe Ansätze verwenden und diese sorgfältig anpassen.Darüber hinaus ist es schwierig, Fälle zu identifizieren, in denen Daten nicht zufällig fehlen, da eine genauere Untersuchung erforderlich ist, wie fehlende Werte mit anderen Variablen im Datensatz verknüpft sind.
Wenn Daten zufällig fehlen, können Sie die leeren Werte leicht reparieren, da Sie Hinweise auf ihren wahren Wert aus anderen Variablen erhalten. Wenn Daten nicht zufällig fehlen, können Sie keine guten Hinweise von anderen verfügbaren Informationen erhalten, wenn Sie die Datenassoziation mit dem fehlenden Fall nicht verstehen.
Wenn Sie also fehlendes Einkommen in Ihren Daten herausfinden müssen und es fehlt, weil die Person reich ist, können Sie den fehlenden Wert nicht durch einen einfachen Durchschnitt ersetzen, weil Sie ihn durch ein mittleres Einkommen ersetzen. Stattdessen sollten Sie einen Durchschnitt des Einkommens der wohlhabenden Leute als Ersatz verwenden.
Wenn die Daten nicht zufällig fehlen, ist die Tatsache, dass der Wert fehlt, informativ, da sie hilft, die fehlende Gruppe aufzuspüren. Sie können die Lästigkeit, nach dem Grund zu suchen, warum es Ihrem maschinellen Lernalgorithmus fehlt, überlassen, indem Sie ein neues binäres Feature erstellen, das meldet, wenn der Wert einer Variablen fehlt. Folglich wird der maschinelle Lernalgorithmus den besten Wert herausfinden, den er als Ersatz für sich selbst verwenden kann.
