是否可以通过机器学习学习和预测 NaN 值？

Question

我正在尝试用两个输出值解决回归问题。输出值充当传入预订值的两个不同阈值，以接受或拒绝预订。这两个输出值是在业务案例中手动设置的，但这应在机器学习的帮助下自动完成。在业务案例中，其中一个输出值可以是 Nan，那么所有预订都将接受此标准。因此，如果一个输出值未填充，则它对业务案例有效。例子：X_train = np.array([(1,1),(2,2),(3,3),(4,4)])Y_train =np.array([(1,1),(2,2),(3,3),(4,np.nan)])X_test = np.array([(5,5),(6,6),(7,7)])Y_test = np.array([(5,5),(6,np.nan),(7,7)])reg  = MLPRegressor()reg = reg.fit(X_train,Y_train)我的问题是当我为输出 Y_train/Y_test 设置 NaN 值时，例如 scikit-learn 会抛出错误。ValueError: Input contains NaN, infinity or a value too large for dtype('float64').我不想用平均值或 0 来估算这些值，因为如上所述，缺失值是业务案例的有效设置。是否有可能用 scikit-learn 或一般的机器学习来解决这样的问题？编辑：业务未设置的输出值不直接存储为 NaN 而是存储为 -9999999999 以表示无穷大。我用 NaN 替换了这些值，因为我认为如此高的值会扭曲结果。所以如果我不替换任何东西，变量实际上会导致以下结果：X_train = np.array([(1,1),(2,2),(3,3),(4,4)])Y_train =np.array([(1,1),(2,2),(3,3),(4,-9999999999)])X_test = np.array([(5,5),(6,6),(7,7)])Y_test = np.array([(5,5),(6,-9999999999),(7,7)])是保留这些值比保留 NaN 更好，还是它们会扭曲结果而必须被忽略？

Answer 1

也许将您的问题分成两个任务是一个可以接受的解决方案。一个用于回归和分类是否提供数据。

X_train = np.array([(1,1),(2,2),(3,3),(4,4)])

Y1_train = np.array([(1,1),(2,2),(3,3),(4,4)])

Y2_train = np.array([(1,1),(1,1),(1,1),(1,0)])

X_test = np.array([(5,5),(6,6),(7,7)])

Y1_test = np.array([(5,5),(6,6),(7,7)])

Y2_test = np.array([(1,1),(1,0),(1,1)])

对于回归，请执行与对 X_train 和 Y1_train 对相同的操作。

分类部分的示例代码

from sklearn.neural_network import MLPClassifier

clf = MLPClassifier()

clf.fit(X_train, Y2_train)

Answer 2

训练数据的全部意义在于监督模型，教它预测具有一组特征的输出。因此，将 nan 值作为训练 X, y 的一部分是没有意义的。模型不会在“填补空白”的同时继续学习。吨

标准方法是使用缺失值技术，例如 - 按均值/0 估算，使用 KNN 通过检测包含缺失数据的样本的最近邻居来替换值，顺序数据的估算技术（线性、akima、二次、样条等）或可以处理丢失数据的编码方法。

如果您不想使用缺失值处理策略，则不应将该行保留为训练数据集的一部分。

是否有可能用 scikit-learn 或一般的机器学习来解决这样的问题？

是的，正如我提到的，有一个完整的研究领域来解决这个问题（KNN 是处理这个问题的最流行和最容易获得的机器学习方法）。本文可能有助于指导您更多。

---

编辑（基于 OP 编辑）

将 99999999 值替换为 Nan 是正确的方法，因为我们不知道为什么业务部门将它们设置为该值。很可能是丢失了数据，他们将这些数据归为垃圾值，以便能够将数据存储在数据库中而不会出现太多问题。其次，将它们视为 Nan 值而不是异常值会更明智。因此，出于监督培训的目的，我建议删除具有这些值的行。

另一件事是我注意到这些值是 Y train 和 Y test 的一部分。如果 Nans 仅在 Y 数据中，这会使事情变得更容易，因为您可以简单地将这些行保留为数据的一部分以进行预测。在非 nan 数据上训练模型，并使用该模型预测行的 Y 值以替换 Nan 值。

但是，如果您认为这些是极值并且应该被视为异常值，您仍然必须将它们从模型训练中删除，因为它们会疯狂地偏向模型结果。

最后，如果这是一个分类练习（不是回归），那么您实际上可以将 999999 视为一个单独的类，并像其他任何类一样对其进行预测。这不适用于回归，因为在回归中 999999 是将要进行预测的连续尺度的一部分。

Answer 3

即使您的模型可以在输出时生成 NaN，也无法判断这是错误还是实际估计。我不会在训练集中使用 NaN。

不仅因为 NaN 不能用任何数值数据类型表示，而且因为不可能对 NaN 执行算术运算：这意味着您无法计算它的梯度，无法计算与其相交的直线或斜率. 简而言之，您的模型无法将其学习为数值，因为它不是数字。