一 、文章简介
1）题目：A hybrid method for missing value imputation （一种缺失值插值的混合方法）
2）作者：Aikaterini Karanikola 、Sotiris Kotsiantis
3）发表刊物：Association for Computing Machinery. （计算机协会）
4）发表年份：2019
二、 研究背景及目的
过去的提出的关于缺失值的研究方法，无论是统计方法还是关于机器学习的方法，都是采用单单一种方法，得到一个缺失处的插值。这类单一的方法没有考虑填补值的不确定性，从而导致低估了方差。针对这个问题，又提出了一些混合方法。有一些混合方法虽然缓解了上述问题，但是对缺失数据的分布有一个前提假设MAR。
三、 提出方法
提出了一种方法是对IRMI 插值方法的一种变体。IRMI插值方法是将缺失值作为目标值，其余变量作为回归变量，整个数据集被用作一个多元模型，其最终预测时计算一个缺失值的估计。
论文提出的方法是将IRMI分别对数值型数值和类别型数值进行预测的模型，进行了替换。
四、 实验结果
1）实验数据集
采用的30个来自于UCI的小型数据集。n表示元组个数，f表示属性个数，c表示类别个数。
2）几种对比的缺失值填补方法
3）实验结果
a, b, c and d are IRMI(Logistic + Linear Regression), Means and Modes, 3NN imputation and Null imputation respectively.
五、结论
在这项工作中，提出了一种基于已知的IRMI的缺失值计算方法。IRMI的这一特定变体利用了boosting和决策树理论的优点，采用了Logitboost和M5P，而不是传统IRMI采用的逻辑回归和线性回归，分别用于输入标称缺失值和数字缺失值。扩展实验过程的结果表明，与其他四种常用的归责策略相比，我们的方法不仅是有效的，而且具有统计独立性。
