论文部分内容阅读
目的：缺失数据在医学研究领域是一个普遍存在的问题，数据缺失所代表信息丢失。有些信息可能是对研究十分重要的信息，如果忽略这些缺失数据，必然会导致研究结果的偏倚；此外，目前处理数据的算法都是基于完整数据，面对不完整数据，这些数据挖掘算法本身往往难以处理。本文基于随机森林判别分析中缺失数据造成的影响，采用随机森林缺失数据填补法预测缺失数据集中的数据，进而进行后续数据分析。 内容：通过模拟实验探索缺失数据在随机森林建模过程中造成的影响；在介绍随机森林预测缺失数据的原理的基础上，通过模拟实验验证随机森林缺失数据填补法的有效性；随机森林判别分析及缺失数据填补法的软件实现。 方法：使用R语言进行随机森林判别分析和随机森林缺失数据填补的研究，在数据缺失率不同的情况下，通过模拟实验验证随机森林填补缺失数据的有效性。通过分析不同类型的实际数据，探讨随机森林填补缺失数据的适用范围。 结果：主要研究结果如下： 模拟实验显示了在随机森林判别模型中，缺失数据的存在造成了模型的不稳定性。随机森林在分类过程中要用到足够的训练样本，而缺失数据造成了训练样本的缺失，导致随机森林训练不充分，分类效果受到影响。此外，随机森林的分类效果与类间区分度有关，类间区分度越高，其分类效果越好。但随着缺失数据所占比例的增加，分类效果明显下降，类间区分度低的下降的更加显著。 随机森林填补缺失数据不仅限于线性关系，当变量间具有复杂的交互作用及非线性关系时，随机森林缺失数据填补法仍可以有效地处理缺失数据，且效果十分显著。在缺失数据占全部数据的比例较小时，采用随机森林缺失数据填补法尚不能完全体现出其优越性，当缺失数据所占的比例逐渐增加时，其优越性就越发显著。 在回归分析中，缺失数据采用多重填补法(PMM)作为对比研究，PMM法是处理线性模型的方法，其填补缺失数据在线性回归中有良好的效果，模拟实验对比了随机森林回归填补法在线性回归分析中的效果，结果显示随机森林回归填补法与PMM法的效果相当，可以认为随机森林在回归分析中仍然可以有效地处理缺失数据。 结论：缺失数据填补在数据分析中有重要的意义，可以弥补缺失数据对后续数据分析造成的不稳定性问题。随机森林缺失数据填补法可以有效地应用于缺失数据的处理，该方法能考虑到变量间的交互作用及非线性特点，更加适用于解决复杂生物学分析中的数据缺失问题。