09:36
官方账号arXiv cs.LG@Taiane Schaedler Prass, Alisson Silva Neimaier, Guilherme Pumi
推荐理由：这篇论文给PRTrees加了直接处理缺失值的能力，不用先插补。在缺数据多的场景下比CART更准，关键还保持树模型好解释。
缺失数据
共 2 条相关 AI 资讯
8月7日
09:36
该论文将概率回归树（PRTrees）扩展为可直接处理缺失预测变量，无需预先插补。提出了三种策略：均匀概率法、部分观测法和降维平滑法，均保持概率守恒和边际兼容性。在多个真实数据集上与经典回归树CART对比，结果显示填充策略对预测性能影响最大。当数据缺失比例较高时，所提方法常优于CART，同时保留树模型的解释性。
6月19日
09:41
09:41
官方账号arXiv cs.LG@Ziheng Wei, Annie Qu, Rui Miao
推荐理由：想处理真实场景奖励缺失的强化学习玩家可以看这篇，用影子变量和桥函数解决偏差问题，实验比传统方法稳。