missForest

-blue.svg)

missForest est une méthode d'imputation non paramétrique pour les données tabulaires de type mixte dans R. Elle gère simultanément les variables numériques et catégorielles en entraînant itérativement des forêts aléatoires pour prédire les valeurs manquantes à partir des valeurs observées. Aucune hypothèse de modélisation explicite, pas de factorisation de matrice—juste des bases prédictives solides qui fonctionnent bien dès le départ.

• Fonctionne avec n'importe quelle combinaison de colonnes numériques et factorielles
• Capture les non-linéarités et les interactions
• Fournit une estimation de l'erreur d'imputation hors échantillon (OOB) (NRMSE/PFC)
• Supporte l’exécution parallèle (par variable ou par forêt)
• Deux moteurs de forêt : ranger (par défaut) et randomForest (héritage/compatibilité)

Le package inclut également des utilitaires pour mesurer l'erreur d'imputation, générer des données manquantes pour les expériences, et inspecter les types de variables.

---

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

Choisir 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)

Parallélisation

Deux modes sont disponibles via parallelize :

• "variables" : construire des forêts pour différentes variables en parallèle (enregistrer un backend foreach).
• "forests" : paralléliser au sein de la forêt d’une seule variable (threads ranger ; ou sous-forêts foreach pour 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)

---

Vue d'ensemble de l'API

missForest(xmis, ...)

Fonction principale d'imputation.

Arguments clés :

• xmis — data frame/matrice avec valeurs manquantes (les colonnes doivent être numeric ou factor).
• maxiter — nombre maximal d'itérations (par défaut 10).
• ntree — arbres par forêt (par défaut 100).
• mtry — variables essayées à chaque division (par défaut sqrt(p)).
• nodesize — numérique de longueur 2 : taille minimale des nœuds pour c(numérique, facteur). Par défaut c(5, 1).
• variablewise — retourne l'erreur OOB par variable si TRUE.
• parallelize — "no", "variables", ou "forests".
• num.threads — threads pour ranger (ignoré par randomForest).
• backend — "ranger" (par défaut) ou "randomForest".
• xtrue — données complètes optionnelles pour benchmark (ajoute $error).

Quelques correspondances d'arguments pour backend = "ranger" :

• ntree → num.trees
• nodesize → min.bucket (séparément pour régression/classification ; par défaut c(5,1))
• sampsize (comptes) → sample.fraction (fractions ; global ou par classe)
• classwt → class.weights
• cutoff géré en ajustant des forêts de probabilité puis post-seuillage

Utilitaires

• mixError(ximp, xmis, xtrue) — calcule le NRMSE (numérique) et le PFC (facteur) sur les entrées manquantes réelles.
• nrmse(ximp, xmis, xtrue) — NRMSE pour données uniquement continues.
• prodNA(x, noNA = 0.1) — injecte des valeurs manquantes MCAR dans un data frame.
• varClass(x) — retourne "numeric"/"factor" par colonne.

---

Conseils & bonnes pratiques

• Convertir les colonnes de caractères en facteurs avant d'appeler missForest.
• Pour les données larges, envisager parallelize = "variables". Pour les arbres profonds/coûteux, envisager parallelize = "forests".
• Définir une graine pour des résultats quasi-reproductibles :

  set.seed(123); imp <- missForest(x)
  ``
Vous pouvez réduire ntree lors du prototypage pour accélérer les itérations.
---
Citation
Si vous utilisez missForest, veuillez citer :
 Stekhoven, D. J. & Bühlmann, P. (2012). MissForest—imputation non paramétrique des valeurs manquantes pour des données de type mixte.* Bioinformatics, 28(1), 112–118. https://doi.org/10.1093/bioinformatics/btr597
Vous pouvez également citer le package :

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 ---