重要な機能を選択してから補完するか、最初に入力してから重要な機能を選択しますか？

Question

多くの機能（主にカテゴリ機能（はい/いいえ））を持つデータセットがあり、欠けている値がたくさんあります。

次元縮小のための技術の一つは、ターゲット属性に対する樹木の大規模かつ慎重に構築セットを生成し、機能の最も有益なサブセットを見つけるために、各属性の使用状況の統計を使用することです。これは、基本的に、非常に浅いツリーの大きなセットを生成することができます。各ツリーは、属性の総数のわずかな部分で訓練されています。アトリビュートがベストスプリットとして選択されることが多い場合は、保持することが最も有益な機能です。

私はまた欠損値を埋めるためにコンピュータを使用しています。

私の疑いは、上記の2つに秩序があるべきである。上記の2つのうちどれを最初に行うのか（なぜ次元削減と転用）、なぜですか？

Answer 1

は、データの代用を常に避けてください。（意味で - 必要な場合にのみ使用してください）。言い換えれば、欠けている値を扱えるメソッドがあれば、それを使用します（そうでない場合は、データ代入が残っています）。

データの置き換えは、ほとんど常に大きく偏っており、何度も表示されています。私は20歳までの論文についても読んでいると思います。一般的には、統計的に健全なデータ代入を行うには、非常に良い生成モデルに適合する必要があります。 「最も一般的な」、平均値などを単に入力することで、Naive Bayesと同様の強さのデータが仮定されます。