Уважаемые форумчане, у меня такой вопрос. Любая предикативная модель строится на полных данных и предсказывает на полных данных. Например, мы строили модель на предикторах х1,х2,х3,х4,х5,х6 и предсказывали Y.
Подсовываем модели валидационные данные(не тестовая выборка), но там, 2 переменных, например 1 и 3-ая в ряде наблюдений имеет или пустоту или нулы. На NULL понятно не умножить, а вот пустота может расценивать как 0 и можно получить неверное предсказание.
Есть ли способы корректного импутирования данных?
Во первых на треин семпл, они могут быть!
Во вторых на треин семпл их может не быть и на тест семпл не быть,а вот на валидационной выборки еще как могут.
Как бороться с пропусками в контексте такой ситуации?

Так и называется "data imputacion".

Вот например описание https://www.r-bloggers.com/imputing-missing...r-mice-package/

получаете варианты решения для выборки с пропущенными значениями, замещая их специально сгенеренными, затем обобщаете варианты решения в одно с доверительными интервалами которые естественно станут шире в местах де решение зависит от импутированных значений.

По моему просто и понятно.

да там, понятно написано

p2004r, вопрос к Вам, как к активному пользователю, в каких случаях мы наблюдаем такое, тут ни одна из предложенных MLP не сработало правильно? Чтобы это значило, и как исправить?

это что, многослойный перцептрон и спецификация слоев?

скорее модели много слойного перцептрона, 4 наилучших
входные нейроные-скрытые и выходные
точность хреновая, как видите

ну так оно так и не обучается гарантированно, там более сложная архитектура нужна сети

в сторону какой библиотечки лучше смотреть? Карет не устраивает.