机器学习在缺失值填补中的应用
机器学习
2024-10-14 v1
摘要
近期，大量研究旨在解决缺失值填补（Missing Value Imputation, MVI）问题。MVI 旨在为具有一或多个缺失属性值的数据集提供主要解决方案。人工智能（AI）的发展推动了新型和改进的机器学习（ML）算法和方法的发展。ML 的进展为有效填补这些缺失值开辖了重要机遇。本文的主要目标是对 ML 在 MVI 方法中的应用进行全面且严谨的综述与分析。该分析旨在增强研究人员对该主题的理解，并促进数据预处理中健壮且具有影响力的干预措施的开发。该综述遵循首选报告项目系统综述和荟萄分析（PRISMA）技术。对 2014 年至 2023 年间发表的100多篇文章进行批判性综述，考虑方法与发现。此外，还检阅最新的文献，以审视 MVI 方法及其评估的趋势。详细讨论现有文献的成就与局限性。该调查最后确定当前研究中的空白，并为未来研究方向及相关领域的新兴趋势提供建议。
引用
@article{arxiv.2410.08308,
title = {Machine Learning for Missing Value Imputation},
author = {Abu Fuad Ahmad and Khaznah Alshammari and Istiaque Ahmed and MD Shohel Sayed},
journal= {arXiv preprint arXiv:2410.08308},
year = {2024}
}