A practical question that our gener

A practical question that our generalization raises is what does it mean to “remove” features from a data instance that will be input to a model-based decision-making procedure? Multiple solutions have been proposed for dealing with features missing from an instance when applying predictive models (SaarTsechansky and Provost, 2007), 6 such as imputing default values for the missing features, retraining models with only the available features, etc. The generalized framework is agnostic to which method is used to deal with the removed features—taking the position that this decision is domain- and problemdependent. What matters is that the decision may change when some of the features are not present at the time of decision making, and thus the change in the decision can be attributed to these missing features. In the empirical example presented below, we use mean imputation for continuous variables and mode imputation for categorical variables. We chose this approach because it is usually far cheaper than retraining models, and it is one of the most commonly used and recommended techniques to deal with missing values. Saar-Tsechansky and Provost (2007) discuss other alternatives and their implications for model predictions; any of them could be used in conjunction with this framework.

結果 (繁體中文) 1:

一個實際的問題，我們的推廣加薪是什麼意思“刪除”從數據實例將被輸入到基於模型的決策程序特點？多種解決方案已經提出了處理功能應用預測模型（SaarTsechansky兼教務長，2007年），6時從實例缺少如插補缺省值，缺少的功能，再培訓模式只可用的功能，等等廣義框架不可知的，其方法是用來處理被移除的特徵回吐，這一決定是結構域和problemdependent的位置。重要的是，當某些功能不存在在決策時的決定可能會改變，因而在決策的變化可以歸因於這些缺少的功能。在實證例子介紹如下，我們使用連續變量和分類變量模式估算平均估算。我們選擇這種方法，因為它通常比再培訓車型要便宜得多，這是最常用的推薦技術來處理缺失值之一。薩爾Tsechansky和教務長（2007年）討論其他的替代品，並為他們的模型預測的影響; 其中任何一個可以與這一框架結合使用。薩爾Tsechansky和教務長（2007年）討論其他的替代品，並為他們的模型預測的影響; 其中任何一個可以與這一框架結合使用。薩爾Tsechansky和教務長（2007年）討論其他的替代品，並為他們的模型預測的影響; 其中任何一個可以與這一框架結合使用。

結果 (繁體中文) 2:

我們的概括提出的一個實際問題是，從資料實例中"刪除"將輸入到基於模型的決策過程的特徵意味著什麼？在應用預測模型（SaarTsechansky 和 Provost，2007 年）時，已提出了多種解決方案來處理實例中缺少的功能（SaarTsechansky 和 Provost，2007 年），6 例如，將缺失要素的預設值歸納，僅對可用模型進行重新訓練功能等。廣義框架與使用哪種方法處理刪除的功能無關，因此表明此決策與域無關，並且取決於問題。重要的是，當決策時某些功能不存在時，決策可能會發生變化，因此決策的更改可歸因於這些缺失的特徵。在下面提出的經驗示例中，我們使用連續變數的平均插量和分類變數的模式歸因。我們之所以選擇這種方法，是因為它通常比重新訓練模型便宜得多，而且它是處理缺失值最常用的推薦技術之一。薩爾-切尚斯基和普羅沃斯特（2007年）討論了其他備選方案及其對模型預測的影響;其中任何一個都可以與這個框架結合使用。

結果 (繁體中文) 3:

我們的概括提出的一個實際問題是，從將輸入基於模型的決策過程的數據實例中“删除”特徵意味著什麼？在應用預測模型時，已經提出了多種解決方案來處理實例中缺少的特徵（SaarTsechansky和Provost，2007），6例如為缺少的特徵輸入預設值，僅使用可用特徵重新訓練模型，等等移除的特徵採取的立場是，這個決定是領域和問題相關的。重要的是，當某些特徵在決策時不存在時，決策可能會發生變化，囙此決策的變化可以歸因於這些缺失的特徵。在下麵給出的經驗例子中，我們使用連續變數的平均插補和類別變數的模式插補。我們選擇這種方法是因為它通常比再培訓模型便宜得多，而且它是處理缺失值的最常用和推薦的科技之一。Saar Tsechansky和Provost（2007）討論了其他替代方案及其對模型預測的影響；它們中的任何一個都可以與這個框架結合使用。