什么是与Weka中的C4.5（J48）决策树来处理缺失的特征属性值的最佳方法？ 遗漏值的问题，培训和分类过程中发生。
如果值从训练实例失踪，我在假设我把正确的“？” 为特征值？
假设我能够成功构建决策树，然后从Weka中的树结构C语言创建我自己的树码++或Java。 在分类的时候，如果我想要一个新的实例进行分类，我把什么样的价值对于具有遗漏值的特点？ 我将如何下降的树过去的，我有一个未知的值决定的节点？
将采用朴素贝叶斯是处理缺失值更好吗？ 我只是分配一个非常小的概率不为零的他们，对不对？
Answer 1:
来自华盛顿大学佩德罗多明戈斯ML过程：
这里有什么佩德罗提出了的缺失值的三种方法A ：
- 分配的最常见的值
A分类到节点其他示例n - 分配的最常见的值
A与相同目标值其他示例 - 分配概率
p_i到每个可能值v_i的A; 指定分数p_i例如在树中的每个后代。
幻灯片和视频现在是在观看这里 。
Answer 2:
另一种方法是离开缺失值作为“？”，而不是将其用于信息增益计算。 无节点应该是因为你在信息增益步长忽视了它的分类中有未知的值。 对于分类，我相信你只是考虑遗漏值未知的，对特定的属性分类时不要删除它。
文章来源: How to deal with missing attribute values in C4.5 (J48) decision tree?
