填補方法與樣本量相關
通常，資料探勘領域 建模時 資料樣本的填補方法與樣本量的大小息息相關，一般，如果變數間取值關聯程度較強，則模型填補的方式似乎更為常見：
一種方法是利用proc stdize過程步，這種方法只能利用基本的描述統計的方法進行填補，例如使用均值、中位數等方式，此外，這種方式也能夠同時進行樣本的標準化。工作中，這個過程步的使用頻率很高。
另一種方法是利用proc mi過程步，這種方法為通過模型進行缺失值的填補。
一種方法是利用proc dmzip過程步，大量樣本的資料探勘領域通常很少使用均值、而是使用中位數進行填補，這種方式便提供了中位數填補的方法，尤其是資料間相關性較弱時，中位數填補的使用頻率會更高。
另一種方法是利用決策樹模型進行填補，這種方法的優點是執行模型的過程中便可以處理掉缺失值。
建模樣本缺失型別
資料探勘領域，由於收集困難、客觀缺失等多種原因導致樣本存在大量缺失值是非常正常的，如下為樣本缺失的幾種型別，通常，最後三種缺失情況最常見，只需依據y的型別變通的選擇對應的填補方法即可：
缺失值填補的**實現
以上述第5種缺失情形為例，即待填補變數的型別y為連續變數時，通常我會用fcs回歸的方式去實現缺失值的填補，sas**如下：
這裡利用了proc mi過程步、即模型的方法進行了缺失值的填補，方法依託於多重插補作為理論基礎去解決填補過程中的隨機偏差，其中：
個人**：
資料探勘 模型融合
在模型調參結束後，我我們就可以進行模型融合了 這是最後也是乙個相當重要的環節，方式大概有有以下幾種 模型融合是比賽後期乙個重要的環節，大體來說有如下的型別方式。簡單加權融合 stacking blending boosting bagging 在xgboost，adaboost,gbdt中已經用到 ...
資料探勘 模型融合
模型融合是比賽後期乙個重要的環節，大體來說有如下的型別方式。簡單加權融合 stacking blending boosting bagging 在xgboost，adaboost,gbdt中已經用到 1 平均融合 對於回歸問題，乙個簡單直接的思路是取平均。也可以採用加權平均，而權值可以用排序的方法確...
模型，忽悠嗎？ 資料探勘中的模式介紹
2007年1月12日 今天去探訪了一家航空貨運客戶，了解了一些需求，是乙個很標準的資料倉儲專案。現有的麵包黃油系統 業務系統 有很多，foc,icargo,xx等等，現在他們做統計 預算要用到一批報表，報表的資料來源都是手工從各個系統的查詢介面抓取到excel裡面，然後再把excel手工製作成報表的...