StatQuest：随机森林第二部分：缺失值与聚类

外来客 • 2026-08-13 12:50:09

声明：本文为对公开内容的摘要整理，未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议；观点与版权归原作者及原平台所有。如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

（原标题：StatQuest: Random Forests Part 2: Missing data and clustering）

🌲 核心观点

随机森林（Random Forest）不仅能处理分类和回归问题，还能有效应对数据缺失及样本聚类挑战。其核心逻辑在于利用“邻近度矩阵”（Proximity Matrix）量化样本间的相似性：若两个样本在树中落入同一叶节点，则视为相似。通过迭代优化填补训练集中的缺失值，并利用多数投票机制处理新样本的缺失分类变量，从而提升模型鲁棒性。

📊 关键事实与论据

训练集缺失数据处理（迭代法）：
初始猜测： 对于分类变量（如“血管阻塞”），取同类别中最常见值；对于数值型变量（如“体重”），取中位数。例如，无心脏病患者中“否”最常见，体重中位数为 167.5。
计算邻近度： 构建随机森林后，将所有数据穿过所有树。若样本落入同一叶节点，在邻近度矩阵对应位置加 1。最终将计数除以树的总数（如 10 棵）得到平均邻近度。
迭代优化： 利用邻近度重新估算缺失值。分类变量比较“是”与“否”的平均邻近度，选高者；数值型变量计算加权平均值（权重基于邻近度）。重复此过程 6-7 次直至收敛。