Як алгоритми навчання дерев рішень поводяться з відсутніми значеннями (під кришкою)

Назвіть методи, якими алгоритми навчання дерев рішень використовують для боротьби з відсутніми значеннями.

Чи просто вони заповнюють слот, використовуючи значення, яке називається відсутнім?

Спасибі.

Існує кілька методів, які використовуються різними деревами рішень. Просто ігнорування відсутніх значень (наприклад, ID3 та інших старих алгоритмів) або трактування пропущених значень як іншої категорії (у випадку номінальної функції) не є реальною обробкою пропущених значень. Однак ці підходи використовувались на ранніх стадіях розробки дерева рішень.

Реальні підходи до обробки відсутніх даних не використовують точку даних з пропущеними значеннями при оцінці розбиття. Однак, коли дочірні вузли створюються та навчаються, ці екземпляри розподіляються якимось чином.

Мені відомо про наступні підходи до розподілу відсутніх екземплярів значення серед дочірніх вузлів:

• все йде до вузла, який вже має найбільшу кількість примірників (CART, це не основне правило)
• розповсюджуйте на всіх дітей, але зі зменшеними вагами, пропорційними кількості екземплярів від кожного дочірнього вузла (C45 та інші)
• розподілити випадковим чином лише один єдиний дочірній вузол, зрештою, відповідно до категоричного розподілу (я бачив, що в різних реалізаціях C45 і CART для більш швидкого виконання часу)
• будувати, сортувати та використовувати сурогати для розподілу екземплярів до дочірнього вузла, де сурогати - це вхідні функції, що найбільше нагадує те, як тестова функція надсилає екземпляри даних до лівого чи правого дочірнього вузла (CART, якщо це не вдається, застосовується правило більшості)