missForest

-blue.svg)

missForest 是 R 中用于 混合类型 表格数据的非参数插补方法。它通过迭代训练随机森林，从已观测的数据中预测缺失项，能够同时处理 数值型和分类型 变量。无需显式建模假设，无需矩阵分解——只是强大的预测基线，开箱即用，表现优异。

• 适用于 任意混合的数值和因子列
• 捕捉 非线性 和 交互作用
• 报告 袋外（OOB） 插补误差（NRMSE/PFC）
• 支持 并行执行（按变量或按森林）
• 两种森林后端：ranger（默认）和 randomForest（传统/兼容）

该包还包括用于衡量插补误差、生成缺失数据进行实验以及检查变量类型的实用工具。

---

安装

# 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

选择后端

# 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)

并行化

通过 parallelize 提供两种模式：

• "variables"：为不同变量并行构建森林（注册 foreach 后端）。
• "forests"：在单个变量的森林内进行并行（ranger 线程；或 randomForest 的 foreach 子森林）。

# 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)

---

API 概述

missForest(xmis, ...)

核心插补函数。

主要参数：

• xmis — 含缺失值的数据框/矩阵（列必须为 numeric 或 factor）。
• maxiter — 最大迭代次数（默认 10）。
• ntree — 每个森林的树数（默认 100）。
• mtry — 每次分裂尝试的变量数（默认 sqrt(p)）。
• nodesize — 长度为2的数值：最小节点大小，分别用于 c(数值型, 因子型)。默认 c(5, 1)。
• variablewise — 若为 TRUE，返回每变量的 OOB 误差。
• parallelize — "no"、"variables" 或 "forests"。
• num.threads — ranger 的线程数（randomForest 忽略）。
• backend — "ranger"（默认）或 "randomForest"。
• xtrue — 可选的完整数据，用于基准测试（添加 $error）。

backend = "ranger" 的部分参数映射：

• ntree → num.trees
• nodesize → min.bucket（分别用于回归/分类；默认 c(5,1)）
• sampsize（计数）→ sample.fraction（比例；整体或按类别）
• classwt → class.weights
• cutoff 通过拟合概率森林并后置阈值处理

工具函数

• mixError(ximp, xmis, xtrue) — 计算真实缺失条目上的NRMSE（数值）和PFC（因子）。
• nrmse(ximp, xmis, xtrue) — 仅对连续数据计算 NRMSE。
• prodNA(x, noNA = 0.1) — 向数据框注入 MCAR 缺失。
• varClass(x) — 返回每列的 "numeric"/"factor" 类型。

---

使用建议与最佳实践

• 在调用 missForest 之前将字符列转换为因子。
• 对于宽数据，考虑使用 parallelize = "variables"。对于深度/计算量大的树，考虑使用 parallelize = "forests"。
• 设置种子以获得准可重复的结果：

  set.seed(123); imp <- missForest(x)
  ``
你可以在原型设计阶段降低 ntree 来加快迭代速度。
---
引用
如果你使用 missForest，请引用：
 Stekhoven, D. J. & Bühlmann, P. (2012). MissForest—混合类型数据的非参数缺失值插补方法。* Bioinformatics, 28(1), 112–118. https://doi.org/10.1093/bioinformatics/btr597
你也可以引用该包：

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 ---