missForest

-blue.svg)

missForest — непараметрический метод импутации для смешанных типов табличных данных в R. Он одновременно обрабатывает числовые и категориальные переменные, итеративно обучая случайные леса для предсказания пропущенных значений на основе имеющихся. Без явных модельных предположений, без матричных факторизаций — только сильные предсказательные базовые алгоритмы, которые хорошо работают из коробки.

• Работает с любым сочетанием числовых и факторных столбцов
• Учитывает нелинейности и взаимодействия
• Показывает ошибку импутации out-of-bag (OOB) (NRMSE/PFC)
• Поддерживает параллельное выполнение (по переменной или по лесу)
• Два движка леса: ranger (по умолчанию) и randomForest (устаревший/совместимый)

Установка

# 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

Выбор серверной части

# 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)

Параллелизация

Доступны два режима через parallelize:

• "variables": построение лесов для разных переменных параллельно (зарегистрировать backend foreach).
• "forests": параллелизация внутри леса одной переменной (потоки ranger; или подлеса foreach для 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)

Обзор API

missForest(xmis, ...)

Основная функция импутации.

Ключевые аргументы:

• xmis — data frame/матрица с пропущенными значениями (столбцы должны быть numeric или factor).
• maxiter — максимальное количество итераций (по умолчанию 10).
• ntree — количество деревьев в каждом лесу (по умолчанию 100).
• mtry — количество переменных для каждого разбиения (по умолчанию sqrt(p)).
• nodesize — числовой длины 2: минимальный размер узла для c(numeric, factor). По умолчанию c(5, 1).
• variablewise — возвращает ошибку OOB для каждой переменной, если TRUE.
• parallelize — "no", "variables", или "forests".
• num.threads — количество потоков для ranger (игнорируется в randomForest).
• backend — "ranger" (по умолчанию) или "randomForest".
• xtrue — необязательные полные данные для бенчмаркинга (добавляет $error).

• ntree → num.trees
• nodesize → min.bucket (отдельно для регрессии/классификации; по умолчанию c(5,1))
• sampsize (количество) → sample.fraction (доли; общая или по классам)
• classwt → class.weights
• cutoff реализуется путем обучения лесов вероятностей и пост-пороговой обработки

Утилиты

• mixError(ximp, xmis, xtrue) — вычисляет NRMSE (numeric) и PFC (factor) по истинно пропущенным значениям.
• nrmse(ximp, xmis, xtrue) — NRMSE только для непрерывных данных.
• prodNA(x, noNA = 0.1) — добавляет MCAR пропуски в data frame.
• varClass(x) — возвращает "numeric"/"factor" для каждого столбца.

Советы и лучшие практики

• Преобразуйте столбцы с символами в факторы перед вызовом missForest.
• Для широких данных используйте parallelize = "variables". Для глубоких/дорогостоящих деревьев используйте parallelize = "forests".
• Установите seed для квази-воспроизводимых результатов:

  set.seed(123); imp <- missForest(x)
  ``
Вы можете уменьшить значение ntree во время прототипирования для ускорения итераций.
---
Цитирование
Если вы используете missForest, пожалуйста, цитируйте:
 Stekhoven, D. J. & Bühlmann, P. (2012). MissForest—непараметрическая импутация пропущенных значений для данных смешанного типа.* Bioinformatics, 28(1), 112–118. https://doi.org/10.1093/bioinformatics/btr597
Вы также можете сослаться на пакет:

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 ---