Python 迭代插补器-后验样本

Sklearn实现了一个名为的插补器。我相信它通过使用估计器以循环方式预测缺失特征值的值来工作

它有一个名为sample_posterior的参数，但我似乎不知道什么时候应该使用它

样本_后验布尔值，默认值=False

是否从每个插补的拟合估计器的（高斯）预测后验值中取样。估计员必须支持 如果设置为True，则在其预测方法中返回_std。如果使用，则设置为True 多重插补的迭代插补器

---

我看了源代码，但还是不清楚。如果我要使用迭代插补器填充多个特征，我应该使用这个吗？或者如果我计划多次使用插补器，比如训练和验证集，我应该使用这个吗？

即使有多个特征，以及训练和验证/测试集，你也不需要

样本。docstring的“多重插补”部分意味着生成多个缺失数据集；见例

通常，
IterativeImputer
使用基于其他特征（迭代、循环等）构建的模型预测来插补特征的缺失值。如果您使用的模型不仅生成单个预测，而且生成输出分布（后验分布），那么您可以从该分布中随机采样，因此
sample\u posterior
。通过多次运行它，使用不同的随机种子，这些随机选择是不同的，您可以得到多个插补数据集。
这方面的文档不是很好，但是有一个（有点陈旧）和一个