基于无监督反向传播的缺失值填补
神经与进化计算
2013-12-20 v1 机器学习
机器学习
摘要
许多数据挖掘和数据分析技术都作用于稠密矩阵或完整的数据表。然而，现实世界的数据集常常包含未知值。即使许多设计用于处理缺失值的分类算法，其准确性仍会下降。处理缺失值的一种方法是填补（插补）这些缺失值。本文提出一种称为无监督反向传播（UBP）的无监督学习技术，它训练一个多层感知器以拟合由一组观测点向量所采样的流形。我们通过填补数据集中缺失值的任务来评估 UBP，并表明 UBP 预测缺失值的平方和误差显著低于其他协同过滤和填补技术。我们还用 24 个数据集和 9 种监督学习算法证明，当使用 UBP 填补随机保留的值时，分类准确率通常高于使用其他方法。
引用
@article{arxiv.1312.5394,
title = {Missing Value Imputation With Unsupervised Backpropagation},
author = {Michael S. Gashler and Michael R. Smith and Richard Morris and Tony Martinez},
journal= {arXiv preprint arXiv:1312.5394},
year = {2013}
}