Comprenda los patrones de datos faltantes (MCAR, MNAR, MAR) para un mejor rendimiento del modelo con Missingno
En un mundo ideal, nos gustaría trabajar con conjuntos de datos que sean limpios, completos y precisos. Sin embargo, los datos del mundo real rara vez cumplen con nuestras expectativas. A menudo nos encontramos con conjuntos de datos con ruido, inconsistencias, valores atípicos y faltantes, lo que requiere un manejo cuidadoso para obtener resultados efectivos. Especialmente, los datos faltantes son un desafío inevitable, y la forma en que los abordamos tiene un impacto significativo en el resultado de nuestros modelos o análisis predictivos.
¿Por qué?
La razón está oculta en la definición. datos faltantes son los valores no observados eso sería significativo para análisis si se observa.
En la literatura, podemos encontrar varios métodos para abordar los datos faltantes, pero según la naturaleza de la falta, elegir la técnica correcta es muy crítico. Los métodos simples, como eliminar filas con valores faltantes, pueden provocar sesgos o la pérdida de información importante. La imputación de valores incorrectos también puede provocar distorsiones que influyan en los resultados finales. Por lo tanto, es esencial comprender la naturaleza de la falta de datos antes de decidir la acción correctiva.
La naturaleza de la falta se puede clasificar simplemente en tres: