missForest

-blue.svg)

missForest ist eine nichtparametrische Imputationsmethode für gemischt-typische tabellarische Daten in R. Sie verarbeitet numerische und kategoriale Variablen gleichzeitig, indem sie iterativ Random Forests trainiert, um fehlende Werte aus den beobachteten zu schätzen. Keine expliziten Modellannahmen, keine Matrixfaktorisierungen – nur starke prädiktive Baselines, die sofort funktionieren.

• Funktioniert mit beliebigen Kombinationen aus numerischen und Faktor-Spalten
• Erfasst Nichtlinearitäten und Interaktionen
• Gibt den Out-of-Bag (OOB) Imputationsfehler (NRMSE/PFC) aus
• Unterstützt parallele Ausführung (pro Variable oder pro Forest)
• Zwei Forest-Backends: ranger (Standard) und randomForest (Legacy/Kompatibilität)

Installation

# CRAN (recommended)
install.packages("missForest")
Development version (from GitHub)
install.packages("remotes")
remotes::install_github("stekhoven/missForest")

Quick start

library(missForest)
Example data
data(iris)
Introduce ~20% MCAR missingness
set.seed(81)
iris_mis <- prodNA(iris, noNA = 0.20)
Impute with default backend (ranger)
imp <- missForest(iris_mis, xtrue = iris, verbose = TRUE)
Imputed data
head(imp$ximp)
Estimated OOB errors (NRMSE for numeric, PFC for factors)
imp$OOBerror
True error if xtrue was provided (for benchmarking only)
imp$error

Auswahl eines Backends

# Legacy behavior using randomForest
imp_rf <- missForest(iris_mis, backend = "randomForest")
Explicitly use ranger with limited threads
imp_rg <- missForest(iris_mis, backend = "ranger", num.threads = 2)

Parallelisierung

Zwei Modi sind über parallelize verfügbar:

• "variables": Erstellen Sie Wälder für verschiedene Variablen parallel (registrieren Sie ein foreach-Backend).
• "forests": Parallelisierung innerhalb des Waldes einer einzelnen Variablen (ranger-Threads; oder foreach-Subwälder für randomForest).

# Not run:
library(doParallel)
registerDoParallel(2)
imp_vars <- missForest(iris_mis, parallelize = "variables", verbose = TRUE)
imp_fors <- missForest(iris_mis, parallelize = "forests",  verbose = TRUE, num.threads = 2)

API-Übersicht

missForest(xmis, ...)

Kern-Imputationsfunktion.

Wichtige Argumente:

• xmis — Datenrahmen/Matrix mit fehlenden Werten (Spalten müssen numeric oder factor sein).
• maxiter — maximale Iterationen (Standard 10).
• ntree — Bäume pro Wald (Standard 100).
• mtry — Variablen, die bei jedem Split versucht werden (Standard sqrt(p)).
• nodesize — numeric der Länge 2: minimale Knotengröße für c(numeric, factor). Standard c(5, 1).
• variablewise — gibt pro-Variable OOB-Fehler zurück, wenn TRUE.
• parallelize — "no", "variables" oder "forests".
• num.threads — Threads für ranger (wird von randomForest ignoriert).
• backend — "ranger" (Standard) oder "randomForest".
• xtrue — optional vollständige Daten zum Benchmarking (fügt $error hinzu).

• ntree → num.trees
• nodesize → min.bucket (separat für Regression/Klassifikation; Standard c(5,1))
• sampsize (Anzahlen) → sample.fraction (Bruchteile; insgesamt oder pro Klasse)
• classwt → class.weights
• cutoff wird durch Fitten von Wahrscheinlichkeitswäldern und anschließendes Thresholding behandelt

Hilfsfunktionen

• mixError(ximp, xmis, xtrue) — berechnet NRMSE (numerisch) und PFC (Faktor) über die tatsächlich fehlenden Einträge.
• nrmse(ximp, xmis, xtrue) — NRMSE nur für kontinuierliche Daten.
• prodNA(x, noNA = 0.1) — injiziert MCAR-Missingness in einen Datenrahmen.
• varClass(x) — gibt "numeric"/"factor" pro Spalte zurück.

Tipps & bewährte Methoden

• Wandeln Sie Zeichen-Spalten in Faktoren um, bevor Sie missForest aufrufen.
• Für breite Daten empfiehlt sich parallelize = "variables". Für tiefe/aufwändige Bäume empfiehlt sich parallelize = "forests".
• Setzen Sie einen Seed für quasi-reproduzierbare Ergebnisse:

  set.seed(123); imp <- missForest(x)
  ``
Sie können ntree während der Prototypenerstellung reduzieren, um die Iteration zu beschleunigen.
---
Zitation
Wenn Sie missForest verwenden, zitieren Sie bitte:
 Stekhoven, D. J. & Bühlmann, P. (2012). MissForest—nichtparametrische Imputation fehlender Werte für gemischte Datentypen.* Bioinformatics, 28(1), 112–118. https://doi.org/10.1093/bioinformatics/btr597
Sie können auch das Paket zitieren:

Contributing

Issues and pull requests are welcome. Please include a minimal reproducible example when reporting bugs. For performance discussions, share small benchmarks and session info.

License

GPL (≥ 2)

Contact

Daniel J. Stekhoven — stekhoven@nexus.ethz.ch

--- Tranlated By Open Ai Tx | Last indexed: 2026-07-17 ---