只有未来数据具有重要缺失值的分类问题？

Question

我正在尝试使用梯度提升机来解决二进制分类问题。

鉴于下表包含 4 列，其中 ColumnA 是我试图预测的二进制值 (0,1)

|  ColumnA  |  ColumnB  |  ColumnC  | ColumnD  | ... |
|     0     |
|     1     |

在整个训练数据中，我计算了平均值，发现A为0和1时ColumnB的平均值有很大差异，所以从我的解释来看，这意味着这个值应该起到非常重要的作用在预测中？

但是，当涉及到我试图分类的未来数据时，我没有关于 ColumnB 的任何信息。我的问题是，简单地取 columnB 的平均值并将其作为未来数据的值是否有意义，或者我应该完全删除 ColumnB，因为我无法在未来的值中获取该数据？

目前我认为使用平均值作为默认值是有意义的，但由于这否定了该列在未来预测中的有效性，也许我这样做是徒劳的？

Answer 1

您的问题的答案取决于两件事，首先是 GB 模型赋予 B 列的相对权重或重要性。如果该模型对 columnB 赋予了很大的权重，并且它是您的主要决定因素训练集，然后用平均值填充空值或缺失值可能会导致错误的预测。第二件事是columnB 上缺失值的数量。如果该列中总是缺少大量数据，例如 30% 或更多，那么使用该列是没有意义的，因为模型将不可靠，并且您的训练数据在列 B 中没有空值，因此模型从未见过数据与null 并在做出预测时会感到困惑。

在继续之前，您应该测试模型中的特征重要性。在没有columnB 的情况下检查准确性。最后一个解决方案或高级解决方案将是拥有一个投票系统模型，其中您有多个模型，一些有列 B，一些没有。