Imputação com florestas aleatórias

Eu tenho duas perguntas sobre o uso de floresta aleatória (especificamente randomForest em R) para imputação de valor ausente (no espaço do preditor).

1) Como o algoritmo de imputação funciona - especificamente como e por que o rótulo de classe é necessário para a imputação? é a matriz de proximidade que serve para ponderar o valor médio para atribuir um valor ausente definido separadamente por classe?

2) Se o rótulo da classe é necessário para imputar valores ausentes - como isso pode ser usado para imputar valores ausentes para novos dados que você está tentando prever?

A idéia básica é fazer uma substituição rápida dos dados ausentes e melhorar iterativamente a imputação ausente usando a proximidade. Para trabalhar com dados não rotulados, apenas replique os dados com todos os rótulos e trate-os como dados rotulados.

A fração de árvores para as quais um par de observações compartilha um nó terminal fornece a matriz de proximidade e, portanto, usa explicitamente o rótulo da classe.

Conjunto de treinamento:

1. Substitua os valores ausentes pelo valor médio.

2. Repita até ficar satisfeito:

   uma. Usando valores imputados calculados até o momento, treine uma floresta aleatória.

   b. Calcule a matriz de proximidade.

   c. Usando a proximidade como o peso, imputar os valores ausentes como a média ponderada dos valores não ausentes.

Conjunto de teste:

1. Se houver rótulos, use a imputação derivada dos dados de teste.
2. Se os dados não estiverem rotulados, replique o conjunto de testes com uma cópia para cada rótulo de classe e continue como nos dados rotulados.

Aqui, a média (ponderada) refere-se à mediana (ponderada) para variáveis ​​numéricas e o modo (ponderado) para variáveis ​​categóricas. 4-6 iterações são recomendadas nas referências.

Documentação R (pdf) , manual do Breiman v4.0 (pdf) , página RF do Breiman

Eu tentei usar a floresta aleatória para imputação múltipla no MICE para lidar com dados ausentes na análise de sobrevivência. Eu usei o bootstrapping para explicar a variabilidade da amostra nos modelos de imputação. Descobri que o Random Forest MICE teve um desempenho melhor que o paramétrico MICE quando houve interações entre variáveis ​​preditoras que não foram incluídas no modelo de imputação.

O pacote CALIBERrfimpute fornece uma função para imputação de floresta aleatória no MICE:
http://cran.r-project.org/web/packages/CALIBERrfimpute/index.html

Este é um artigo que descreve testes do método em dados simulados e um conjunto de dados epidemiológicos reais:
http://dx.doi.org/10.1093/aje/kwt312