missForest

-blue.svg)

missForest es un método de imputación no paramétrico para datos tabulares de tipos mixtos en R. Maneja variables numéricas y categóricas simultáneamente entrenando de forma iterativa bosques aleatorios para predecir entradas faltantes a partir de las observadas. Sin supuestos explícitos de modelado, sin factorizaciones de matrices—solo bases predictivas sólidas que funcionan bien desde el inicio.

• Funciona con cualquier combinación de columnas numéricas y de factores
• Captura no linealidades e interacciones
• Reporta el error de imputación fuera de bolsa (OOB) (NRMSE/PFC)
• Soporta ejecución paralela (por variable o por bosque)
• Dos backends de bosque: ranger (predeterminado) y randomForest (legado/compatibilidad)

El paquete también incluye utilidades para medir el error de imputación, generar datos faltantes para experimentos e inspeccionar tipos de variables.

---

Instalación

# 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

Elegir un backend

# 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)

Paralelización

Dos modos están disponibles a través de parallelize:

• "variables": construir bosques para diferentes variables en paralelo (registrar un backend foreach).
• "forests": paralelizar dentro del bosque de una sola variable (hilos de ranger; o sub-bosques foreach para 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)

---

Descripción general de la API

missForest(xmis, ...)

Función principal de imputación.

Argumentos clave:

• xmis — marco de datos/matriz con valores faltantes (las columnas deben ser numeric o factor).
• maxiter — iteraciones máximas (por defecto 10).
• ntree — árboles por bosque (por defecto 100).
• mtry — variables probadas en cada división (por defecto sqrt(p)).
• nodesize — numérico de longitud 2: tamaño mínimo del nodo para c(numérico, factor). Por defecto c(5, 1).
• variablewise — devuelve error OOB por variable si es TRUE.
• parallelize — "no", "variables" o "forests".
• num.threads — hilos para ranger (ignorado por randomForest).
• backend — "ranger" (por defecto) o "randomForest".
• xtrue — datos completos opcionales para benchmarking (añade $error).

Algunos mapeos de argumentos para backend = "ranger":

• ntree → num.trees
• nodesize → min.bucket (separado para regresión/clasificación; por defecto c(5,1))
• sampsize (conteos) → sample.fraction (fracciones; global o por clase)
• classwt → class.weights
• cutoff manejado ajustando bosques de probabilidad y umbralización posterior

Utilidades

• mixError(ximp, xmis, xtrue) — calcula NRMSE (numérico) y PFC (factor) sobre entradas verdaderamente faltantes.
• nrmse(ximp, xmis, xtrue) — NRMSE para datos solo continuos.
• prodNA(x, noNA = 0.1) — introduce faltantes MCAR en un marco de datos.
• varClass(x) — devuelve "numeric"/"factor" por columna.

---

Consejos y mejores prácticas

• Convierta las columnas de caracteres a factores antes de llamar a missForest.
• Para datos anchos, considere parallelize = "variables". Para árboles profundos/costosos, considere parallelize = "forests".
• Establezca una semilla para resultados cuasi-reproducibles:

  set.seed(123); imp <- missForest(x)
  ``
Puedes reducir ntree durante la creación de prototipos para acelerar la iteración.
---
Cita
Si usas missForest, por favor cita:
 Stekhoven, D. J. & Bühlmann, P. (2012). MissForest—imputación no paramétrica de valores faltantes para datos de tipo mixto.* Bioinformatics, 28(1), 112–118. https://doi.org/10.1093/bioinformatics/btr597
También puedes citar el paquete:

r citation("missForest") ``

---

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: 2025-12-08 ---