Classification 具有大量缺失数据的分类

当建立一个模型来分类一个学生是否会被某个特殊项目录取时，主要特征包括：

gender | Ethnicity | State | Zip code | Test score | Education | Job title | Current gpa | Admission

由于数据是在线收集的，因此许多功能缺少大量数据。特征“测试分数”对录取决定应该很重要，但它忽略了大约80%。似乎插补是不实际的

---

是否应将其作为一个特征，并使用EM或贝叶斯网络、SVM等对缺失数据不敏感的算法，或在建立模型时直接删除该特征？有什么建议吗？

您应该放弃该功能。只有20%的分数存在，考试分数无法平均。也不能添加具有分布的随机值，因为它们是测试分数

---

您可以尝试用包含这些值的行构建一个模型，看看它是否有效。

您可以尝试通过linkedin寻找更多数据，或者通过发布研究官方信函与招生服务联系，并且您不会共享任何数据。我还认为你可以去掉邮政编码或州，因为两者都表示几乎相同的东西。谢谢你的建议。是的，我只使用了邮政编码和一个热编码。至于收集更多数据，这是一个很好的方法，但不适用于这个特定问题。谢谢。我将探讨这两种方法，填充缺失的值，然后构建模型，另一种方法是删除此功能并构建模型。