استفاده از خوشه بندی و رویکردی ترکیبی برای پرکردن مقادیر جا افتاده عددی

تخمین مقادیر جاافتاده یک گام مهم در پیش پردازش داده ها است. در این مقاله یک رویکرد دومرحله ای برای پرکردن مقادیر جاافتاده عددی ارائه شده است. در مرحله اول داده ها خوشه بندی می شوند و در مرحله دوم داده های جاافتاده درون هر خوشه با استفاده از یک روش ترکیبی از k نزدیک ترین همسایه وزن دار و رگرسیون خطی تخمین زده می شوند. از معیار همبستگی بین صفات در هر خوشه برای تعیین روش پرکردن داده های جاافتاده استفاده می شود. کیفیت پرکردن مقادیر جاافتاده با استفاده از معیار میانگین مربعات خطا سنجیده می شود. تاثیر پارامترهای مختلف بر میزان خطای داده های تخمین زده شده بررسی می گردد. عملکرد روش ارائه شده برای تخمین داده های جاافتاده بر روی پنج مجموعه داده نیز بررسی می شود. در نهایت عملکرد روش ارائه شده با چهار روش پرکردن با مقدار میانگین، روش تخمین با شبکه عصبی پرسپترون چندلایه (MLP)، روش پرکردن با خوشه بندی c-means فازی و روش k خوشه و نزدیک ترین همسایه مبتنی بر دسته (CKNNI) مقایسه می شود. نتایج به دست آمده نشان داده که خطای تخمین مقادیر جاافتاده در روش ارائه شده کمتر از خطا در دیگر روش های مقایسه شده است.