基于机器学习的成分数据补全研究

摘要

cqvip:一、引 言给缺失数据填补一个合理的估计值,可以减小由数据缺失而导致的估计量偏差,结合一定的方法,为数据的缺失值寻找一个或多个尽可能相似的值进行填补,得到完整的数据,由于填补值毕竟是“假信息”,因此,利用不同的信息进行填补,所要追求的只是确定填补方法的有效性和合理性,使估计的填补值尽可能地接近原始的缺失数据值.二、基于核空间非线性距离敏感重构的主动学习在大数据时代,机器学习问题中可能涉及的数据量规模是非常庞大的.