Primena mašinskog učenja u problemu nedostajućih podataka pri razvoju prediktivnih modela

Abstract

Problem nedostajućih podataka je često prisutan prilikom razvoja prediktivnih modela. Umesto uklanjanja podataka koji sadrže vrednosti koje nedostaju mogu se primeniti metode za njihovu imputaciju. Disertacija predlaže metodologiju za pristup analizi uspešnosti imputacija prilikom razvoja prediktivnih modela. Na osnovu iznete metodologije prikazuju se rezultati primene algoritama mašinskog učenja, kao metoda imputacije, prilikom razvoja određenih, konkretnih prediktivnih modela.

The problem of missing data is often present when developing predictive models. Instead of removing data containing missing values, methods for imputation can be applied. The dissertation proposes a methodology for analysis of imputation performance in the development of predictive models. Based on the proposed methodology, results of the application of machine learning algorithms, as an imputation method in the development of specific models, are presented.