在电信数据的流失预测模型中处理分类缺失数据 [已关闭]-解网

问：

这个问题似乎与特定的编程问题、软件算法或程序员主要使用的软件工具无关。如果您认为该问题在另一个 Stack Exchange 站点上是主题，您可以发表评论以解释在哪里可以回答该问题。

4天前关闭。

改进此问题

我正在研究一个电信数据集，我需要拟合一个模型来预测客户流失（是或否）。有很多分类数据存在缺失值（总值 7043）。在这种情况下，处理缺失数据的最佳方法是什么，是忽略它还是其他更好的插补方法更好？

Data columns (total 21 columns):
customerID          7043 non-null object
gender              7043 non-null object
Age                 7043 non-null int64 
Partner             7043 non-null object
Dependents          7043 non-null object
tenure              7043 non-null int64
PhoneService        7043 non-null object
MultipleLines       6500 non-null object
InternetService     6500 non-null object
OnlineSecurity      7043 non-null object
OnlineBackup        7043 non-null object
DeviceProtection    7043 non-null object
TechSupport         7043 non-null object
StreamingTV         6500 non-null object
StreamingMovies     6500 non-null object
Contract            6500 non-null object
PaperlessBilling    7043 non-null object
PaymentMethod       6500 non-null object
MonthlyCharges      7043 non-null float64
TotalCharges        7043 non-null object
Churn               7043 non-null object

机器学习分类数据流失

第一阶段是删除具有缺失值的行。删除这些行后，我会观察整个数据集，以确保我有足够的行来进行实验，并且流失和未流失的类之间没有强烈的类不平衡。如果我确实有足够的平衡数据，我将继续实验。
但是，如果行低于原始数据的 50%，并且改动和未流失的类之间存在巨大的不平衡。我将继续分析这些特征，并使用一些领域知识，删除对问题可能不那么重要的缺失值的列。删除列后，我会再次删除行，这将允许剩余的行保留对手头问题很重要的数据。
最后，如果您认为实验需要所有列，则可以分析具有缺失值的分类列，如果似乎没有模式（随机缺失），则可以使用类别字段的模式或连续字段的中位数/平均值来插补值。如果似乎存在一种模式（Missing not at Random），我将创建一个名为“imputed”的新列，如果该行中使用了任何插补，则将其设置为 1，如果没有完成任何插补，则将其设置为 0。这背后的技术是让模型知道插补。

您可以在这里很好地阅读不同的技术。每个数据科学家都可能以不同的方式处理缺失值。作为一名数据科学家，你应该为它们做好准备，因为它们会一直存在。

上一个：根据分类变量的两个元素的有序分类比较它们

下一个：R：使用有序分类变量模拟纵向数据

在电信数据的流失预测模型中处理分类缺失数据 [已关闭]

Handling categorical missing data in churn prediction model for telecom data [closed]

评论