Как заставить SVM хорошо играть с отсутствующими данными в scikit-learn?

Я использую scikit-learn для некоторого анализа данных, и у моего набора данных есть некоторые недостающие значения (представленные NA). Я загружаю данные с помощью genfromtxt с помощью dtype='f8' и продолжаю обучение моему классификатору.

Классификация прекрасна на объектах RandomForestClassifier и GradientBoostingClassifier, но с помощью SVC from sklearn.svm возникает следующая ошибка:

    probas = classifiers[i].fit(train[traincv], target[traincv]).predict_proba(train[testcv])
  File "C:\Python27\lib\site-packages\sklearn\svm\base.py", line 409, in predict_proba
    X = self._validate_for_predict(X)
  File "C:\Python27\lib\site-packages\sklearn\svm\base.py", line 534, in _validate_for_predict
    X = atleast2d_or_csr(X, dtype=np.float64, order="C")
  File "C:\Python27\lib\site-packages\sklearn\utils\validation.py", line 84, in atleast2d_or_csr
    assert_all_finite(X)
  File "C:\Python27\lib\site-packages\sklearn\utils\validation.py", line 20, in assert_all_finite
    raise ValueError("array contains NaN or infinity")
ValueError: array contains NaN or infinity

Что дает? Как я могу заставить SVM хорошо играть с отсутствующими данными? Помня о том, что недостающие данные отлично подходят для случайных лесов и других классификаторов.

Ответ 1

Вы можете выполнить вменение данных для обработки отсутствующих значений перед использованием SVM.

EDIT: В scikit-learn есть действительно простой способ сделать это, проиллюстрированный на этой странице.

(скопирован со страницы и изменен)

>>> import numpy as np
>>> from sklearn.preprocessing import Imputer
>>> # missing_values is the value of your placeholder, strategy is if you'd like mean, median or mode, and axis=0 means it calculates the imputation based on the other feature values for that sample
>>> imp = Imputer(missing_values='NaN', strategy='mean', axis=0)
>>> imp.fit(train)
Imputer(axis=0, copy=True, missing_values='NaN', strategy='mean', verbose=0)
>>> train_imp = imp.transform(train)

Ответ 2

Вы можете либо удалить образцы с отсутствующими функциями, либо заменить отсутствующие функции своими средними или средними по столбцам.