Datos faltantes y SVMEmpecé a utilizar la plataforma Support Vector Machines, pero parece que faltan predicciones para las observaciones a las que les falta un factor continuo.No hay una configuración faltante informativa para SVM, pero la fórmula de predicción muestra que los datos nominales faltantes se utilizan en la fórmula.Sin embargo, cuando falta un factor continuo, entonces falta la predicción (y la fórmula de predicción no tiene ningún término que trate con el factor continuo que falta como lo hace con los factores nominales que faltan).¿Hay alguna razón por la que SVM no pueda manejar los factores continuos faltantes, pero puede utilizar los factores nominales faltantes?
AnalíticaRe: Datos faltantes y SVMSospecho que el valor dado con la fórmula de predicción de la nueva plataforma SVM con una entrada categórica faltante es incorrecto y no debería mostrarse. Si necesita manejar los datos faltantes, le sugiero que utilice una plataforma diferente (por ejemplo, Explore los valores perdidos en el menú Analizar> Detección) para imputar esos valores primero y luego pasar a SVM.
Al menos en mis casos de prueba, al guardar una fórmula de predicción con una entrada faltante, todas las columnas intermedias vuelven a faltar, y la fórmula final es solo el primer resultado posible. Cuando simplemente guarda Predicteds, esas filas faltan como se esperaba.
Re: Datos faltantes y SVMSVM no proporciona predicciones si falta algún factor X, ya sea categórico o continuo.
SVM requiere que los datos estén centrados y escalados para factores continuos, por lo que si falta el factor continuo, entonces falta (: X-mean) / stddev en la fórmula. Para los factores categóricos, se crea la "matriz de diseño" para ese factor. Si falta el nivel de factor, la matriz de diseño se crea como faltante, es decir, [. .] para un factor categórico de dos niveles.
Si alguna de las X centrales / escaladas o de la matriz de diseño X tiene valores faltantes, falta el valor predicho final.
Re: Datos faltantes y SVMGracias. la documentación probablemente debería reflejar que SVM no puede manejar los valores perdidos (sin un procesamiento previo manual). Además, SVM ha sido muy lento según mi experiencia y tampoco particularmente preciso (en comparación con otros modelos de predicción). Me interesaría saber si eso también ha sido cierto para otras personas.
