你的数据集有缺失值？不要做任何处理！

你的数据集缺失值如何处理？这里有几个不容忽视的方法！

模型可以比插补方法更有效地处理箱外缺失值。实证证明

在真实数据集中缺失值非常常见。经过时间的积累，已经提出了许多处理该问题的方法。通常情况下，这些方法要么是删除包含缺失值的数据，要么是使用某些技术对其进行插补。

在本文中，我将测试第三种选择：

什么都不做。

实际上，对于表格数据集（即XGBoost、LightGBM和CatBoost），最好的模型可以原生地处理缺失值。所以，我要尝试回答的问题是：

• 使用冻结的大型语言模型进行视觉问答
• 为什么你几乎不能在家用Python计算出十亿位数的圆周率
• 用马尔可夫链进行建模游戏

这些模型是否可以有效地处理缺失值，还是我们需要先进行一次插补以获得更好的结果？

谁说我们应该关心空值？

人们普遍认为我们必须对缺失值采取措施。例如，我问ChatGPT，如果我的数据集包含缺失值，该怎么做，它建议了10种不同的方法来摆脱它们（您可以在这里阅读完整答案）。

但是这种观点来源于哪里呢？

通常情况下，这些观点源于历史模型，尤其是线性回归模型。这也是本例的情况。让我们看看原因。

假设我们有以下数据集：

如果我们尝试对这些特征进行线性回归训练，会出现错误。实际上，为了能够进行预测，线性回归需要通过一个数字系数与每个特征相乘。如果一个或多个特征缺失，就无法对该行进行预测。

这就是为什么出现了许多插补方法。例如，最简单的可能性之一是用特征的平均值替换缺失值。