ਅੰਕੜਿਆਂ ਵਿੱਚ ਦੋਸ਼ ਲਗਾਉਣ ਦੇ ਤਰੀਕੇ
ਅੰਕੜਿਆਂ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਅਭਿਆਸ ਵਿੱਚ, ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਦੀ ਸਮੱਸਿਆ ਲਗਭਗ ਹਮੇਸ਼ਾ ਪੈਦਾ ਹੁੰਦੀ ਹੈ। ਡੇਟਾ ਕੁਝ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਨਾ ਦੇਣ, ਰਿਕਾਰਡਿੰਗ ਗਲਤੀਆਂ, ਸੈਂਸਰ ਦਖਲਅੰਦਾਜ਼ੀ, ਐਕਸਟਰੈਕਸ਼ਨ ਦੌਰਾਨ ਖਰਾਬ ਡੇਟਾ, ਜਾਂ ਕਈ ਡੇਟਾ ਸਰੋਤਾਂ ਨੂੰ ਜੋੜਨ ਦੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਕਾਰਨ ਗੁੰਮ ਹੋ ਸਕਦਾ ਹੈ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੇਲ ਨਹੀਂ ਖਾਂਦੇ। ਜੇਕਰ ਸਹੀ ਢੰਗ ਨਾਲ ਸੰਭਾਲਿਆ ਨਾ ਜਾਵੇ, ਤਾਂ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਗੁਣਵੱਤਾ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ, ਟੈਸਟ ਦੀ ਸ਼ਕਤੀ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਪੱਖਪਾਤੀ ਸਿੱਟੇ ਵੀ ਲੈ ਸਕਦਾ ਹੈ। ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਸਭ ਤੋਂ ਆਮ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਦੋਸ਼ ਹੈ, ਜਿਸ ਵਿੱਚ ਉਪਲਬਧ ਜਾਣਕਾਰੀ ਦੇ ਅਧਾਰ ਤੇ ਅਨੁਮਾਨਿਤ ਮੁੱਲਾਂ ਨਾਲ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਭਰਨਾ ਸ਼ਾਮਲ ਹੈ।
ਇਮਪਿਊਟੇਸ਼ਨ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?
ਕਈ ਕਾਰਨ ਹਨ ਕਿ ਅਕਸਰ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਮਿਟਾਉਣ ਦੀ ਬਜਾਏ ਦੋਸ਼ ਲਗਾਉਣ ਨੂੰ ਚੁਣਿਆ ਜਾਂਦਾ ਹੈ। ਪਹਿਲਾਂ, ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਵਾਲੀਆਂ ਕਤਾਰਾਂ/ਨਿਰੀਖਣਾਂ (ਜਿਵੇਂ ਕਿ ਸੂਚੀ ਅਨੁਸਾਰ ਮਿਟਾਉਣਾ) ਨੂੰ ਮਿਟਾਉਣਾ ਨਮੂਨੇ ਦੇ ਆਕਾਰ ਨੂੰ ਬਹੁਤ ਘਟਾ ਸਕਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਦਾ ਪ੍ਰਤੀਸ਼ਤ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ। ਦੂਜਾ, ਜੇਕਰ ਡੇਟਾ ਬੇਤਰਤੀਬ ਨਾਲ ਗੁੰਮ ਨਹੀਂ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਮਿਟਾਉਣਾ ਪੱਖਪਾਤ ਨੂੰ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ। ਤੀਜਾ, ਬਹੁਤ ਸਾਰੇ ਅੰਕੜਾ ਜਾਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਨੂੰ ਪੂਰੇ ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਦੋਸ਼ ਲਗਾਉਣ ਨੂੰ ਇੱਕ ਸੁਵਿਧਾਜਨਕ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ ਕਦਮ ਬਣਾਉਂਦਾ ਹੈ।
ਹਾਲਾਂਕਿ, ਦੋਸ਼ ਲਗਾਉਣਾ ਸਿਰਫ਼ "ਖਾਲੀ ਥਾਂਵਾਂ ਨੂੰ ਭਰਨ" ਬਾਰੇ ਨਹੀਂ ਹੈ। ਚੁਣਿਆ ਗਿਆ ਤਰੀਕਾ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਵਿਧੀ, ਵੇਰੀਏਬਲਾਂ ਦੀ ਬਣਤਰ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਉਦੇਸ਼ਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਾੜਾ ਦੋਸ਼ ਲਗਾਉਣਾ ਮਾਡਲ ਨੂੰ "ਮੂਰਖ" ਬਣਾ ਸਕਦਾ ਹੈ, ਪਰਿਵਰਤਨ ਘਟਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਅਸਲ ਵਿੱਚ ਹੋਣ ਨਾਲੋਂ ਵਧੇਰੇ ਨਿਸ਼ਚਿਤ ਦਿਖਾ ਸਕਦਾ ਹੈ।
ਗੁੰਮਿਆ ਹੋਇਆ ਡਾਟਾ ਵਿਧੀ
ਅੰਕੜਾ ਸਾਹਿਤ ਵਿੱਚ, ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਤਿੰਨ ਮੁੱਖ ਵਿਧੀਆਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ:
1. MCAR (ਰੈਂਡਮ 'ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗੁੰਮ): ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਦੀ ਸੰਭਾਵਨਾ ਕਿਸੇ ਵੀ ਵੇਰੀਏਬਲ, ਦੇਖੇ ਗਏ ਜਾਂ ਨਾ ਦੇਖੇ ਗਏ ਤੋਂ ਸੁਤੰਤਰ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਪ੍ਰਸ਼ਨਾਵਲੀ ਜੋ ਕਿਸੇ ਦੁਰਘਟਨਾ ਦੁਆਰਾ ਖਰਾਬ ਹੋਈ ਹੈ।
2. MAR (ਰੈਂਡਮ 'ਤੇ ਗੁੰਮ): ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਦੀ ਸੰਭਾਵਨਾ ਦੇਖੀ ਗਈ ਵੇਰੀਏਬਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ, ਪਰ ਦੂਜੇ ਵੇਰੀਏਬਲਾਂ ਲਈ ਨਿਯੰਤਰਣ ਕਰਨ ਤੋਂ ਬਾਅਦ ਗੁੰਮ ਹੋਏ ਮੁੱਲ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦੀ। ਉਦਾਹਰਣ ਵਜੋਂ, ਨੌਜਵਾਨ ਉੱਤਰਦਾਤਾਵਾਂ ਦੇ ਆਮਦਨੀ ਦੇ ਸਵਾਲਾਂ ਨੂੰ ਖੁੰਝਾਉਣ ਦੀ ਜ਼ਿਆਦਾ ਸੰਭਾਵਨਾ ਹੁੰਦੀ ਹੈ, ਪਰ ਉਮਰ ਉਪਲਬਧ ਹੁੰਦੀ ਹੈ।
3. MNAR (ਮਿਸਿੰਗ ਨਾਟ ਐਟ ਰੈਂਡਮ): ਡੇਟਾ ਗੁੰਮ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਗੁੰਮ ਹੋਏ ਮੁੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਉਦਾਹਰਣ ਵਜੋਂ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਆਮਦਨ ਵਾਲੇ ਲੋਕ ਆਪਣੀ ਆਮਦਨ ਦਾ ਖੁਲਾਸਾ ਨਹੀਂ ਕਰਦੇ।
MCAR/MAR ਦੇ ਤਹਿਤ ਦੋਸ਼ ਲਗਾਉਣਾ ਆਮ ਤੌਰ 'ਤੇ ਸੁਰੱਖਿਅਤ ਹੁੰਦਾ ਹੈ। MNAR ਨੂੰ ਅਕਸਰ ਇੱਕ ਅਜਿਹੇ ਮਾਡਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਜੋ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਜਾਂ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੋਵੇ।
ਸਰਲ ਦੋਸ਼ ਲਗਾਉਣ ਦਾ ਤਰੀਕਾ
1. ਮੱਧਮਾਨ/ਮੱਧਮ/ਮੋਡ ਇੰਪਿਊਟੇਸ਼ਨ
ਸਭ ਤੋਂ ਸਰਲ ਤਰੀਕਾ ਹੈ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਸੰਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਲਈ ਮੱਧਮਾਨ ਜਾਂ ਮੱਧਮਾਨ ਨਾਲ ਬਦਲਣਾ, ਅਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਵੇਰੀਏਬਲਾਂ ਲਈ ਮੋਡ। ਫਾਇਦੇ ਹਨ: ਇਹ ਆਸਾਨ, ਤੇਜ਼ ਹੈ, ਅਤੇ ਅਕਸਰ ਇੱਕ ਬੇਸਲਾਈਨ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਨੁਕਸਾਨ ਹਨ: ਇਹ ਪਰਿਵਰਤਨ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ ਅਤੇ ਡੇਟਾ ਵੰਡ ਨੂੰ ਵਿਗਾੜ ਸਕਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ ਜੇਕਰ ਡੇਟਾ ਅਸਮਿਤ ਹੈ ਜਾਂ ਇਸ ਵਿੱਚ ਆਊਟਲੀਅਰ ਹਨ। ਮੱਧਮਾਨ ਆਮ ਤੌਰ 'ਤੇ ਔਸਤ ਨਾਲੋਂ ਆਊਟਲੀਅਰਾਂ ਲਈ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਹੁੰਦਾ ਹੈ।
2. ਨਿਰੰਤਰ ਦੋਸ਼
ਗੁੰਮ ਹੋਏ ਮੁੱਲ ਇੱਕ ਖਾਸ ਸਥਿਰਾਂਕ ਨਾਲ ਭਰੇ ਜਾਂਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ 0, -1, ਜਾਂ "ਅਣਜਾਣ" ਲੇਬਲ। ਇਹ ਉਦੋਂ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਮੁੱਲ ਦਾ ਇੱਕ ਖਾਸ ਅਰਥ ਹੁੰਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ, "ਕੋਈ ਲੈਣ-ਦੇਣ ਨਹੀਂ"), ਜਾਂ ਜਦੋਂ ਮਾਡਲ ਨੂੰ ਗੁੰਮ ਹੋਣ ਨੂੰ ਉਜਾਗਰ ਕਰਨ ਲਈ ਇੱਕ ਵਾਧੂ ਸੂਚਕ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਇੱਕ ਮਨਮਾਨੀ ਸਥਿਰਾਂਕ ਦੀ ਚੋਣ ਕਰਨ ਨਾਲ ਨਕਲੀ ਪੈਟਰਨ ਪੇਸ਼ ਹੋ ਸਕਦੇ ਹਨ।
3. ਹੌਟ ਡੈੱਕ ਇੰਪਿਊਟੇਸ਼ਨ
ਇੱਕ ਗਰਮ ਡੈੱਕ ਵਿੱਚ, ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਕਈ ਮੁੱਖ ਵੇਰੀਏਬਲਾਂ ਦੇ ਅਧਾਰ ਤੇ ਦੂਜੇ, "ਸਮਾਨ" ਨਿਰੀਖਣਾਂ (ਦਾਨੀਆਂ) ਦੇ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਭਰਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਤਰੀਕਾ ਸਰਵੇਖਣਾਂ ਵਿੱਚ ਪ੍ਰਸਿੱਧ ਹੈ। ਗਰਮ ਡੈੱਕ ਯਥਾਰਥਵਾਦੀ ਮੁੱਲਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਡੇਟਾ ਦੇ ਅਸਲ ਮੁੱਲਾਂ ਨੂੰ ਹਾਸਲ ਕਰਦੇ ਹਨ, ਪਰ ਨਤੀਜੇ "ਸਮਾਨਤਾ" ਦੀ ਪਰਿਭਾਸ਼ਾ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੇ ਹਨ ਅਤੇ ਅੰਤਰ-ਨਮੂਨਾ ਭਿੰਨਤਾ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ।
ਮਾਡਲ-ਅਧਾਰਤ ਇੰਪਿਊਟੇਸ਼ਨ ਵਿਧੀ
4. ਰਿਗਰੈਸ਼ਨ ਇੰਪਿਊਟੇਸ਼ਨ
ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦੂਜੇ ਵੇਰੀਏਬਲਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਰਿਗਰੈਸ਼ਨ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਸੰਖਿਆਤਮਕ ਵੇਰੀਏਬਲਾਂ ਲਈ, ਰੇਖਿਕ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ; ਸ਼੍ਰੇਣੀਗਤ ਵੇਰੀਏਬਲਾਂ ਲਈ, ਲੌਜਿਸਟਿਕ ਜਾਂ ਮਲਟੀਨੋਮੀਅਲ ਰਿਗਰੈਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਫਾਇਦਾ ਇਹ ਹੈ ਕਿ ਇਹ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਦਾ ਹੈ। ਨੁਕਸਾਨ ਇਹ ਹੈ ਕਿ ਸਿਰਫ ਨਿਰਧਾਰਕ ਭਵਿੱਖਬਾਣੀ ਕੀਤੇ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਪਰਿਵਰਤਨ ਘੱਟ ਹੁੰਦਾ ਹੈ ਕਿਉਂਕਿ ਸਾਰੇ ਇੰਪੁੱਟ ਕੀਤੇ ਮੁੱਲ ਭਵਿੱਖਬਾਣੀ ਲਾਈਨ 'ਤੇ ਬਿਲਕੁਲ ਡਿੱਗਦੇ ਹਨ। ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਬੇਤਰਤੀਬ ਭਾਗ (ਜਿਵੇਂ ਕਿ, ਅਵਸ਼ੇਸ਼) ਅਕਸਰ ਵਧੇਰੇ ਯਥਾਰਥਵਾਦ ਲਈ ਜੋੜੇ ਜਾਂਦੇ ਹਨ।
5. k-ਨੇੜਲੇ ਗੁਆਂਢੀ (kNN) ਇੰਪਿਊਟੇਸ਼ਨ
kNN ਵਿਧੀ k ਸਭ ਤੋਂ ਨੇੜਲੇ ਗੁਆਂਢੀਆਂ ਦੀ ਔਸਤ (ਜਾਂ ਵੋਟਿੰਗ) ਦੇ ਆਧਾਰ 'ਤੇ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਨੂੰ ਭਰਦੀ ਹੈ। ਨੇੜਤਾ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਡੇਟਾ ਦੇ ਆਮ ਹੋਣ ਤੋਂ ਬਾਅਦ ਯੂਕਲੀਡੀਅਨ ਦੂਰੀ ਜਾਂ ਕਿਸੇ ਹੋਰ ਮੈਟ੍ਰਿਕ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ। ਇਸਦੇ ਫਾਇਦਿਆਂ ਵਿੱਚ ਲਚਕਤਾ ਅਤੇ ਕੋਈ ਰੇਖਿਕ ਸਬੰਧ ਨਾ ਹੋਣ ਦੀ ਧਾਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਨੁਕਸਾਨਾਂ ਵਿੱਚ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਲਈ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੌਰ 'ਤੇ ਮਹਿੰਗਾ, ਵੇਰੀਏਬਲ ਸਕੇਲ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਅਤੇ ਉੱਚ-ਅਯਾਮੀ ਡੇਟਾ (ਅਯਾਮੀਤਾ ਦਾ ਸਰਾਪ) 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਗਿਰਾਵਟ ਸ਼ਾਮਲ ਹੈ।
6. ਉਮੀਦ-ਵੱਧ ਤੋਂ ਵੱਧ (EM)
EM ਪਹੁੰਚ ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ (ਜਿਵੇਂ ਕਿ ਮਲਟੀਵੇਰੀਏਟ ਸਾਧਾਰਨ ਡੇਟਾ ਲਈ ਔਸਤ ਅਤੇ ਸਹਿ-ਵੇਰੀਐਂਸ) ਦਾ ਅਨੁਮਾਨ ਲਾਪਤਾ ਮੁੱਲਾਂ ਨੂੰ ਗੁਪਤ ਵੇਰੀਏਬਲਾਂ ਵਜੋਂ ਮੰਨ ਕੇ ਲਗਾਉਂਦੀ ਹੈ। ਕਦਮ E ਮੌਜੂਦਾ ਪੈਰਾਮੀਟਰਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਦੀ ਉਮੀਦ ਦੀ ਦੁਹਰਾਓ ਨਾਲ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਕਦਮ M ਉਮੀਦ ਕੀਤੇ "ਪੂਰੇ" ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਅਪਡੇਟ ਕਰਦਾ ਹੈ। EM ਕੁਝ ਵੰਡਣ ਵਾਲੀਆਂ ਧਾਰਨਾਵਾਂ ਲਈ ਮਜ਼ਬੂਤ ਹੈ, ਪਰ ਗੁੰਝਲਦਾਰ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਮਾਡਲ ਧਾਰਨਾਵਾਂ ਦੀ ਸ਼ੁੱਧਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
ਮਲਟੀਪਲ ਇੰਪਿਊਟੇਸ਼ਨ: ਕਈ ਮਾਮਲਿਆਂ ਵਿੱਚ ਗੋਲਡ ਸਟੈਂਡਰਡ
7. ਮਲਟੀਪਲ ਇੰਪਿਊਟੇਸ਼ਨ (MI)
ਮਲਟੀਪਲ ਇੰਪਿਊਟੇਸ਼ਨ ਨੂੰ MAR ਦੇ ਸਭ ਤੋਂ ਸਿਧਾਂਤਕ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਸਿੰਗਲ ਪੂਰਾ ਡੇਟਾਸੈੱਟ ਤਿਆਰ ਕਰਨ ਦੀ ਬਜਾਏ, MI ਵੱਖ-ਵੱਖ ਇੰਪਿਊਟੇਸ਼ਨਾਂ ਦੇ ਨਾਲ ਕਈ ਡੇਟਾਸੈੱਟ (ਜਿਵੇਂ ਕਿ, 5-20) ਤਿਆਰ ਕਰਦਾ ਹੈ ਜੋ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਹਰੇਕ ਡੇਟਾਸੈੱਟ ਦਾ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਨਤੀਜਿਆਂ ਨੂੰ ਰੂਬਿਨ ਦੇ ਨਿਯਮਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਵਧੇਰੇ ਵੈਧ ਅਨੁਮਾਨ ਅਤੇ ਮਿਆਰੀ ਗਲਤੀਆਂ ਪ੍ਰਾਪਤ ਕੀਤੀਆਂ ਜਾ ਸਕਣ।
MI ਫਾਇਦੇ:
- ਦੋਸ਼ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ।
- ਅੰਕੜਾ ਅਨੁਮਾਨ (ਵਿਸ਼ਵਾਸ ਅੰਤਰਾਲ, ਪਰਿਕਲਪਨਾ ਟੈਸਟਿੰਗ) ਲਈ ਵਧੇਰੇ ਸਹੀ।
- ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਵੇਰੀਏਬਲਾਂ ਲਈ ਲਚਕਦਾਰ।
ਇਸ ਦੀਆਂ ਸੀਮਾਵਾਂ:
- ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਲਾਗੂਕਰਨ।
- ਢੁਕਵੀਆਂ ਧਾਰਨਾਵਾਂ ਅਤੇ ਦੋਸ਼ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
– ਜੇਕਰ MNAR ਵਿੱਚ ਕੋਈ ਗੁੰਮਸ਼ੁਦਾਤਾ ਹੈ, ਤਾਂ ਸਟੈਂਡਰਡ MI ਅਜੇ ਵੀ ਪੱਖਪਾਤੀ ਹੋ ਸਕਦਾ ਹੈ।
ਸਮਾਂ ਲੜੀ ਅਤੇ ਸਥਾਨਿਕ ਡੇਟਾ ਲਈ ਅਨੁਮਾਨ
ਸਮਾਂ ਲੜੀ ਦੇ ਡੇਟਾ ਵਿੱਚ, ਗੁੰਮ ਹੋਏ ਮੁੱਲ ਅਕਸਰ ਉਹਨਾਂ ਦੇ ਪਿਛਲੇ ਅਤੇ ਬਾਅਦ ਵਾਲੇ ਮੁੱਲਾਂ ਨਾਲ ਮਜ਼ਬੂਤੀ ਨਾਲ ਸੰਬੰਧਿਤ ਹੁੰਦੇ ਹਨ। ਰੇਖਿਕ ਇੰਟਰਪੋਲੇਸ਼ਨ, ਸਪਲਾਈਨਜ਼, ਕਲਮਨ ਫਿਲਟਰ, ਜਾਂ ARIMA/ਸਟੇਟ ਸਪੇਸ ਮਾਡਲ ਵਰਗੇ ਢੰਗ ਅਕਸਰ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਸਥਾਨਿਕ ਡੇਟਾ ਲਈ, ਕ੍ਰਿਗਿੰਗ ਅਤੇ ਸਥਾਨਿਕ ਮਾਡਲ ਵਰਗੇ ਤਰੀਕੇ ਭੂਗੋਲਿਕ ਨੇੜਤਾ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਤਰੀਕੇ ਉਦੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦੇ ਹਨ ਜਦੋਂ ਅਸਥਾਈ/ਸਥਾਨਿਕ ਬਣਤਰ ਪ੍ਰਮੁੱਖ ਹੁੰਦੀ ਹੈ, ਪਰ ਅਚਾਨਕ ਤਬਦੀਲੀਆਂ (ਜਿਵੇਂ ਕਿ, ਆਰਥਿਕ ਝਟਕੇ) ਦੇ ਵਿਰੁੱਧ ਸਾਵਧਾਨੀ ਵਰਤਣੀ ਚਾਹੀਦੀ ਹੈ ਜੋ ਸਧਾਰਨ ਇੰਟਰਪੋਲੇਸ਼ਨ ਨੂੰ ਗੁੰਮਰਾਹਕੁੰਨ ਬਣਾ ਸਕਦੇ ਹਨ।
ਦੋਸ਼ ਲਗਾਉਣ ਦੇ ਤਰੀਕਿਆਂ ਦੀ ਚੋਣ ਕਰਨ ਦੇ ਚੰਗੇ ਅਭਿਆਸ
1. ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਦੀ ਪੜਚੋਲ ਕਰੋ: ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਦੀ ਪ੍ਰਤੀਸ਼ਤਤਾ, ਗੁੰਮ ਹੋਣ ਦੇ ਪੈਟਰਨ ਦੀ ਜਾਂਚ ਕਰੋ, ਅਤੇ ਕੀ ਗੁੰਮ ਹੋਣਾ ਕਿਸੇ ਖਾਸ ਵੇਰੀਏਬਲ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ।
2. ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਡੇਟਾ ਨੂੰ ਵੱਖਰਾ ਕਰੋ: ਸਿਰਫ਼ ਸਿਖਲਾਈ ਡੇਟਾ ਤੋਂ "ਸਿੱਖ ਕੇ" ਦੋਸ਼ ਲਗਾਓ, ਫਿਰ ਡੇਟਾ ਲੀਕ ਹੋਣ ਤੋਂ ਬਚਣ ਲਈ ਇਸਨੂੰ ਟੈਸਟ ਡੇਟਾ 'ਤੇ ਲਾਗੂ ਕਰੋ।
3. ਵੇਰੀਏਬਲ ਕਿਸਮ 'ਤੇ ਵਿਚਾਰ ਕਰੋ: ਸੰਖਿਆਤਮਕ, ਸ਼੍ਰੇਣੀਬੱਧ, ਕ੍ਰਮਵਾਰ, ਜਾਂ ਮਿਸ਼ਰਤ; ਢੁਕਵਾਂ ਤਰੀਕਾ ਵੱਖਰਾ ਹੈ।
4. ਗੁੰਮਸ਼ੁਦਾ ਸੂਚਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ: ਕਈ ਵਾਰ ਇਹ ਜਾਣਕਾਰੀ ਕਿ ਇੱਕ ਮੁੱਲ ਗੁੰਮ ਹੈ, ਆਪਣੇ ਆਪ ਵਿੱਚ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੀ ਹੁੰਦੀ ਹੈ; ਸੂਚਕ ਵੇਰੀਏਬਲ ਜੋੜਨ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਸੁਧਾਰ ਹੋ ਸਕਦਾ ਹੈ।
5. ਦੋਸ਼ ਲਗਾਉਣ ਦੇ ਪ੍ਰਭਾਵ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ: ਦੋਸ਼ ਲਗਾਉਣ ਤੋਂ ਪਹਿਲਾਂ/ਬਾਅਦ ਦੀਆਂ ਵੰਡਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ, ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਪਰਿਵਰਤਨ ਘੱਟ ਗਿਆ ਹੈ, ਅਤੇ ਮਾਡਲ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ।
6. ਅਨੁਮਾਨ ਲਈ MI ਨੂੰ ਤਰਜੀਹ ਦਿਓ: ਜਦੋਂ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਟੀਚਾ ਪੈਰਾਮੀਟਰ ਅਨੁਮਾਨ ਅਤੇ ਅੰਕੜਾ ਜਾਂਚ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਮਲਟੀਪਲ ਇੰਪਿਊਟੇਸ਼ਨ ਅਕਸਰ ਸਿੰਗਲ ਇੰਪਿਊਟੇਸ਼ਨ ਨਾਲੋਂ ਵਧੇਰੇ ਢੁਕਵਾਂ ਹੁੰਦਾ ਹੈ।
ਸਿੱਟਾ
ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਆਧੁਨਿਕ ਅੰਕੜਾ ਵਰਕਫਲੋ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਹੈ। ਔਸਤ/ਮੱਧਮ ਵਰਗੇ ਸਧਾਰਨ ਤਰੀਕੇ ਬੇਸਲਾਈਨ ਵਜੋਂ ਜਾਂ ਛੋਟੀਆਂ ਗੁੰਮਸ਼ੁਦਗੀਆਂ ਲਈ ਉਪਯੋਗੀ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਅਕਸਰ ਡੇਟਾ ਢਾਂਚੇ ਅਤੇ ਅਨਿਸ਼ਚਿਤਤਾ ਨਾਲ ਸਮਝੌਤਾ ਕਰਦੇ ਹਨ। ਰਿਗਰੈਸ਼ਨ, kNN, ਅਤੇ EM ਵਰਗੇ ਮਾਡਲ-ਅਧਾਰਿਤ ਢੰਗ ਵੇਰੀਏਬਲਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਮਲਟੀਪਲ ਇੰਪਿਊਟੇਸ਼ਨ ਅਨਿਸ਼ਚਿਤਤਾ ਲਈ ਲੇਖਾ-ਜੋਖਾ ਕਰਕੇ ਅਨੁਮਾਨ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਢਾਂਚਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਸਭ ਤੋਂ ਵਧੀਆ ਢੰਗ ਦੀ ਚੋਣ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਵਿਧੀ (MCAR/MAR/MNAR), ਵਿਸ਼ਲੇਸ਼ਣ ਉਦੇਸ਼ (ਭਵਿੱਖਬਾਣੀ ਬਨਾਮ ਅਨੁਮਾਨ), ਅਤੇ ਡੇਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਸਮਾਂ ਲੜੀ, ਸਥਾਨਿਕ, ਮਿਸ਼ਰਤ) 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਨਾਲ, ਦੋਸ਼ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਇਕਸਾਰਤਾ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਅਤੇ ਵਧੇਰੇ ਭਰੋਸੇਯੋਗ ਸਿੱਟੇ ਕੱਢਦਾ ਹੈ।
