Прогнозування з randomForest (R), коли для деяких входів відсутні значення (NA)

У мене є точна randomForestмодель класифікації, яку я хотів би використовувати в додатку, який передбачає клас нового випадку. У новому випадку неминуче відсутні значення. Прогнозуйте, що НС не працюватиме як така. Як мені це робити тоді?

data(iris)
# create first the new case with missing values
na.row<-45
na.col<-c(3,5)
case.na<-iris[na.row,]
case.na[,na.col]<-NA

iris.rf <- randomForest(Species ~ ., data=iris[-na.row,])
# print(iris.rf)

myrf.pred <- predict(iris.rf, case.na[-5], type="response")
myrf.pred
[1] <NA>

Я спробував missForest. Я поєднав вихідні дані та новий випадок, потрусив їх missForestі отримав імпульсні значення для NA в новому випадку. Але надто важкі обчислення.

data.imp <- missForest(data.with.na)

Але повинен бути спосіб використовувати rf-модель для прогнозування нового випадку з відсутніми значеннями, правда?

У вас немає іншого вибору, як вписати значення або змінити моделі. Хорошим вибором може бути арегмітація в пакеті Hmisc. Я думаю, що його менш важкий, ніж rfimpute, який саме вас затримує, перший приклад пакету (є й інші):

# Check that aregImpute can almost exactly estimate missing values when
# there is a perfect nonlinear relationship between two variables
# Fit restricted cubic splines with 4 knots for x1 and x2, linear for x3
set.seed(3)
x1 <- rnorm(200)
x2 <- x1^2
x3 <- runif(200)
m <- 30
x2[1:m] <- NA
a <- aregImpute(~x1+x2+I(x3), n.impute=5, nk=4, match='closest')
a
matplot(x1[1:m]^2, a$imputed$x2)
abline(a=0, b=1, lty=2)

x1[1:m]^2
a$imputed$x2

# Multiple imputation and estimation of variances and covariances of
# regression coefficient estimates accounting for imputation
# Example 1: large sample size, much missing data, no overlap in
# NAs across variables
x1 <- factor(sample(c('a','b','c'),1000,TRUE))
x2 <- (x1=='b') + 3*(x1=='c') + rnorm(1000,0,2)
x3 <- rnorm(1000)
y  <- x2 + 1*(x1=='c') + .2*x3 + rnorm(1000,0,2)
orig.x1 <- x1[1:250]
orig.x2 <- x2[251:350]
x1[1:250] <- NA
x2[251:350] <- NA
d <- data.frame(x1,x2,x3,y)
# Find value of nk that yields best validating imputation models
# tlinear=FALSE means to not force the target variable to be linear
f <- aregImpute(~y + x1 + x2 + x3, nk=c(0,3:5), tlinear=FALSE,
                data=d, B=10) # normally B=75
f
# Try forcing target variable (x1, then x2) to be linear while allowing
# predictors to be nonlinear (could also say tlinear=TRUE)
f <- aregImpute(~y + x1 + x2 + x3, nk=c(0,3:5), data=d, B=10)
f

# Use 100 imputations to better check against individual true values
f <- aregImpute(~y + x1 + x2 + x3, n.impute=100, data=d)
f
par(mfrow=c(2,1))
plot(f)
modecat <- function(u) {
 tab <- table(u)
 as.numeric(names(tab)[tab==max(tab)][1])
}
table(orig.x1,apply(f$imputed$x1, 1, modecat))
par(mfrow=c(1,1))
plot(orig.x2, apply(f$imputed$x2, 1, mean))
fmi <- fit.mult.impute(y ~ x1 + x2 + x3, lm, f, 
                       data=d)
sqrt(diag(vcov(fmi)))
fcc <- lm(y ~ x1 + x2 + x3)
summary(fcc)   # SEs are larger than from mult. imputation

Ви згадуєте, що у вас є багато нових спостережень, у яких відсутні значення на незалежних змінних. Незважаючи на те, що у вас є багато подібних випадків, якщо для кожного нового спостереження є лише недоліки в одній або двох його змінних, і кількість ваших змінних не є крихітною, можливо, просто заповнення дірок середньою чи середньою (чи є вони суцільними?) міг працювати.

Ще одна річ, яка може бути цікавою, - це зробити незначний аналіз змінної важливості. Випадкова реалізація лісу R обчислює два важливі заходи та відповідні ділянки:

varImpPlot(yourRandomForestModel) # yourRandomForestModel must have the argument importance=TRUE 

І ви можете пограти, просто включивши «важливі» змінні у тренінг моделі, поки точність прогнозування не все, що впливає на порівняння з «повною моделлю». Можливо, ви зберігаєте змінні з малою кількістю пропусків. Це може допомогти вам зменшити розмір вашої проблеми.