DPERC：用于混合数据的直接参数估计
机器学习
2025-01-22 v1 机器学习
摘要
协方差矩阵是诸多统计和机器学习应用的基础，如主成分分析、相关性热图等。然而，数据集中缺失的值构成了准确估计这一矩阵的巨大障碍。虽然插值方法提供了一个解决途径，但往往在计算效率与估计精度之间权衡。因此，人们转向直接参数估计，这在精度和计算负担方面都具有优势。本文提出Direct Parameter Estimation for Randomly Missing Data with Categorical Features（DPERC），这是一种针对包含连续特征缺失值的混合数据的直接参数估计方法。我们的方法灵感来自于利用来自类别特征的信息，这显著增强了对连续特征的协方差矩阵估计。我们的做法有效地利用了混合数据结构中所蕴含的信息。通过对多样数据集的全面评估，我们展示了DPERC在各种当代技术中具有竞争性能。此外，我们还通过实验表明DPERC是可视化相关性热图的有力工具。
引用
@article{arxiv.2501.10540,
title = {DPERC: Direct Parameter Estimation for Mixed Data},
author = {Tuan L. Vo and Quan Huu Do and Uyen Dang and Thu Nguyen and Pål Halvorsen and Michael A. Riegler and Binh T. Nguyen},
journal= {arXiv preprint arXiv:2501.10540},
year = {2025}
}