missForest

-blue.svg)

missForest é um método de imputação não paramétrico para dados tabulares de tipos mistos em R. Ele lida com variáveis numéricas e categóricas simultaneamente, treinando iterativamente florestas aleatórias para prever valores ausentes a partir dos observados. Sem suposições explícitas de modelagem, sem fatorações de matrizes—apenas fortes bases preditivas que funcionam bem imediatamente.

• Funciona com qualquer combinação de colunas numéricas e fator
• Captura não linearidades e interações
• Reporta o erro de imputação out-of-bag (OOB) (NRMSE/PFC)
• Suporta execução paralela (por variável ou por floresta)
• Dois backends de floresta: ranger (padrão) e randomForest (legado/compatibilidade)

Instalação

# 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

Escolhendo um 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)

Paralelização

Dois modos estão disponíveis via parallelize:

• "variables": constrói florestas para diferentes variáveis em paralelo (registre um backend foreach).
• "forests": paraleliza dentro da floresta de uma única variável (threads do ranger; ou sub-florestas 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)

Visão geral da API

missForest(xmis, ...)

Função principal de imputação.

Principais argumentos:

• xmis — data frame/matriz com valores ausentes (colunas devem ser numeric ou factor).
• maxiter — iterações máximas (padrão 10).
• ntree — árvores por floresta (padrão 100).
• mtry — variáveis testadas em cada divisão (padrão sqrt(p)).
• nodesize — vetor numérico de tamanho 2: tamanho mínimo do nó para c(numeric, factor). Padrão c(5, 1).
• variablewise — retorna erro OOB por variável se TRUE.
• parallelize — "no", "variables" ou "forests".
• num.threads — threads para ranger (ignorado pelo randomForest).
• backend — "ranger" (padrão) ou "randomForest".
• xtrue — dados completos opcionais para benchmarking (adiciona $error).

• ntree → num.trees
• nodesize → min.bucket (separado para regressão/classificação; padrão c(5,1))
• sampsize (contagens) → sample.fraction (frações; geral ou por classe)
• classwt → class.weights
• cutoff tratado ajustando probability forests e pós-thresholding

Utilitários

• mixError(ximp, xmis, xtrue) — calcula NRMSE (numérico) e PFC (fatorial) sobre entradas ausentes reais.
• nrmse(ximp, xmis, xtrue) — NRMSE apenas para dados contínuos.
• prodNA(x, noNA = 0.1) — injeta ausência MCAR em um data frame.
• varClass(x) — retorna "numeric"/"factor" por coluna.

Dicas & melhores práticas

• Converta colunas de caracteres em fatores antes de chamar missForest.
• Para dados amplos, considere parallelize = "variables". Para árvores profundas/caros, considere parallelize = "forests".
• Defina uma semente para resultados quase reprodutíveis:

  set.seed(123); imp <- missForest(x)
  ``
Você pode reduzir o valor de ntree durante a prototipagem para acelerar as iterações.
---
Citação
Se você usar o missForest, por favor cite:
 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
Você também pode citar o pacote:

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 ---