missForest

-blue.svg)

missForest adalah metode imputasi nonparametrik untuk data tabular tipe campuran di R. Metode ini menangani variabel numerik dan kategorikal secara bersamaan dengan melatih random forest secara iteratif untuk memprediksi entri yang hilang dari data yang teramati. Tidak ada asumsi pemodelan eksplisit, tidak ada faktorisasi matriks—hanya baseline prediktif yang kuat dan langsung bekerja dengan baik.

• Bekerja dengan kombinasi kolom numerik dan faktor apa pun
• Menangkap nonlinearitas dan interaksi
• Melaporkan galat imputasi out-of-bag (OOB) (NRMSE/PFC)
• Mendukung eksekusi paralel (per variabel atau per forest)
• Dua backend forest: ranger (default) dan randomForest (warisan/kompatibel)

Instalasi

# 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

Memilih 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)

Paralelisasi

Dua mode tersedia melalui parallelize:

• "variables": membangun hutan untuk variabel berbeda secara paralel (daftarkan backend foreach).
• "forests": paralelisasi di dalam hutan satu variabel (thread ranger; atau sub-hutan foreach untuk 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)

Ikhtisar API

missForest(xmis, ...)

Fungsi inti imputasi.

Argumen utama:

• xmis — data frame/matrix dengan nilai hilang (kolom harus numeric atau factor).
• maxiter — iterasi maksimum (default 10).
• ntree — jumlah pohon per hutan (default 100).
• mtry — variabel yang dicoba pada setiap split (default sqrt(p)).
• nodesize — numeric panjang-2: ukuran node minimum untuk c(numeric, factor). Default c(5, 1).
• variablewise — mengembalikan error OOB per variabel jika TRUE.
• parallelize — "no", "variables", atau "forests".
• num.threads — jumlah thread untuk ranger (diabaikan oleh randomForest).
• backend — "ranger" (default) atau "randomForest".
• xtrue — data lengkap opsional untuk benchmarking (menambah $error).

• ntree → num.trees
• nodesize → min.bucket (terpisah untuk regresi/klasifikasi; default c(5,1))
• sampsize (jumlah) → sample.fraction (fraksi; keseluruhan atau per kelas)
• classwt → class.weights
• cutoff ditangani dengan fitting probability forests dan post-thresholding

Utilitas

• mixError(ximp, xmis, xtrue) — menghitung NRMSE (numerik) dan PFC (faktor) pada entri hilang yang sebenarnya.
• nrmse(ximp, xmis, xtrue) — NRMSE untuk data kontinu saja.
• prodNA(x, noNA = 0.1) — menyuntikkan missingness MCAR ke dalam data frame.
• varClass(x) — mengembalikan "numeric"/"factor" per kolom.

Tips & praktik terbaik

• Ubah kolom karakter menjadi faktor sebelum memanggil missForest.
• Untuk data yang lebar, pertimbangkan parallelize = "variables". Untuk pohon yang dalam/mahal, pertimbangkan parallelize = "forests".
• Atur seed untuk hasil yang hampir dapat direproduksi:

  set.seed(123); imp <- missForest(x)
  ``
Anda dapat menurunkan ntree selama prototyping untuk mempercepat iterasi.
---
Sitasi
Jika Anda menggunakan missForest, harap sitasi:
 Stekhoven, D. J. & Bühlmann, P. (2012). MissForest—nonparametric missing value imputation for mixed-type data.* Bioinformatics, 28(1), 112–118. https://doi.org/10.1093/bioinformatics/btr597
Anda juga dapat mensitasi paketnya:

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 ---