JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть III • Продвинутые возможности глубокого обучения с TensorFlow.js
Недостающие данные
Зачастую встречаются ситуации, когда в некоторых примерах данных отсутствует 
часть признаков. Подобное может происходить по многим причинам. Источником 
данных могут служить вводимые вручную формы, в которых отдельные поля просто 
пропущены пользователем. Или датчики могут не работать либо быть отключены во 
время сбора данных. Для некоторых признаков определенные значения просто не име­
ют смысла. Например, какова последняя цена продажи для дома, который еще никогда 
не продавался? Или номер телефона для человека, у которого нет телефона?
Как и в случае аномальных значений, существует множество способов решения 
проблемы с недостающими данными, и мнения исследователей данных о том, какие 
методики лучше применять в каких случаях, также сильно разнятся. Оптимальная 
методика зависит от нескольких соображений, включая то, зависит ли вероятность 
отсутствия признака от значения самого признака или от того, возможно ли спро­
гнозировать отсутствие значения на основе прочих признаков в примере данных. 
В инфобоксе 6.3 приведен перечень различных категорий отсутствующих данных.
ИНФОБОКС 6.3. Категории отсутствующих данных
Случайные пропуски (missing at random, MAR).
• Вероятность отсутствия признака не зависит от скрытого отсутствующего значе­
ния, но может зависеть от какого­либо другого наблюдаемого значения.
• Пример: автоматизированная система обработки визуальных данных для автомо­
бильного трафика может, помимо прочего, фиксировать регистрационные номера 
автомобилей и время суток. Иногда, в темноте, не удается распознать регистра­
ционный номер. Наличие признака номера не зависит от его значения, но может 
зависеть от (наблюдаемого) признака времени суток.
Совершенно случайные пропуски (missing completely at random, MCAR).
• Вероятность отсутствия признака не зависит ни от скрытого отсутствующего зна­
чения, ни от какого­либо другого наблюдаемого значения.
• Пример: космическое излучение создает помехи для оборудования и иногда портит 
значения наборов данных. Вероятность такой порчи не зависит ни от хранимого 
значения, ни от прочих значений набора данных.
Неслучайные пропуски (missing not at random, MNAR).
• Вероятность отсутствия признака зависит от скрытого значения при заданных 
наблюдаемых данных.
• Пример: персональные метеостанции отслеживают разнообразную статистику, 
например информацию об атмосферном давлении, осадках и уровне солнечного 
излучения. Однако во время снегопада датчик солнечного излучения не принимает 
сигнала.
При отсутствии каких­либо данных в обучающем наборе приходится вносить 
исправления, чтобы можно было преобразовать данные в тензор фиксированной 

---