非完备数据的宽带客户流失预测
打开文本图片集
【摘要】 在实际数据中，由于人为、设备等原因，不可避免的会出现数据缺失问题。针对缺失值的处理方法一是删除，二是填充。若数据缺失较少，删除存在缺失值的样本不失为一个快速简单的方法，但若缺失值较多，大量删除样本就会损失掉重要信息，不利于模型的建立，预测效果也会不理想。本文从非完备数据出发，采用SimpleImputer、KNNImputer、IterativeImputer三种方法来填充缺失的数据，建立宽带客户流失随机森林分类模型，经过对比分析得出IterativeImputer方法补充缺失值分类效果更好的结论。（剩余3968字）
网站仅支持在线阅读（不支持PDF下载），如需保存文章，可以选择【打印】保存。