machine-learning - 如何处理C4.5(J48)决策树中缺少的属性值？

用Weka的C4.5(J48)决策树处理缺失要素属性值的最佳方法是什么？在训练和分类过程中都会出现缺少值的问题。

如果训练实例中缺少值，那么我假设放置了“？”是否正确？功能的值(value)？

假设我能够成功构建决策树，然后从Weka的树结构中以C++或Java创建自己的树代码。在分类期间，如果我尝试对新实例进行分类，对于缺少值的要素，我应该赋予什么值？我如何将树下降经过一个值未知的决策节点？

使用朴素贝叶斯会更好地处理缺失值吗？我只是给他们分配一个非常小的非零概率，对吧？

最佳答案

华盛顿大学佩德罗·多明戈斯(Pedro Domingos)的ML类(class):

以下是Pedro建议的A缺失值的三种方法:

除排序到节点A的其他示异常(exception)，分配n的最常见值

在其他示例中为目标值

分配最常见的A值

为p_i的每个可能值v_i分配概率A；将示例的分数p_i分配给树中的每个后代。

现在可以在here上查看幻灯片和视频。

关于machine-learning - 如何处理C4.5(J48)决策树中缺少的属性值？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/13425722/