面向统计学习并处理缺失值的特征选择方法：以创业生存数据集为例
机器学习
2018-10-03 v1 机器学习
摘要
在本文中，我们利用带特征选择的数据挖掘方法，研究可增强微型和小型企业（MSE）生存判别能力的特征。针对数据集的复杂性，我们提出了三种数据填补方法的比较，即均值填补（MI）、k近邻（KNN）与期望最大化（EM），并共同使用变量选择技术（先经t检验），随后通过逻辑回归分类方法、朴素贝叶斯算法、线性判别分析与支持向量机进行数据挖掘过程，从而比较它们各自的性能。实验结果将用于构建预测MSE生存率的模型，从而更好地理解该主题，因为其为巴西GPA与宏观经济的重要组成部分。
引用
@article{arxiv.1810.01061,
title = {Feature Selection Approach with Missing Values Conducted for Statistical Learning: A Case Study of Entrepreneurship Survival Dataset},
author = {Diego Nascimento and Anderson Ara and Francisco Louzada Neto},
journal= {arXiv preprint arXiv:1810.01061},
year = {2018}
}