missForest

-blue.svg)

missForest 是一種非參數填補方法，適用於 R 中 混合型 表格資料。它能同時處理 數值型與分類型 變數，透過迭代訓練隨機森林，從已觀測到的資料預測缺失值。不需明確建模假設、不進行矩陣分解——僅以強大的預測基準直接運作並取得良好成效。

• 支援 任意組合的數值與因子欄位
• 捕捉 非線性關係 與 互動效應
• 回報 袋外（OOB） 填補誤差（NRMSE/PFC）
• 支援 平行執行（每變數或每森林）
• 提供兩種森林後端：ranger（預設）與 randomForest（舊版／相容）

安裝

# 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

選擇後端

# 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)

平行化

可透過 parallelize 使用兩種模式：

• "variables"：為不同變數同時建立森林（需註冊 foreach 後端）。
• "forests"：在單一變數的森林內進行平行化（ranger 執行緒；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 總覽

missForest(xmis, ...)

核心插補函數。

主要參數：

• xmis — 含有缺失值的資料框/矩陣（欄必須為 numeric 或 factor）。
• maxiter — 最大迭代次數（預設為 10）。
• ntree — 每個森林的樹數（預設為 100）。
• mtry — 每次分裂嘗試的變數數量（預設為 sqrt(p)）。
• nodesize — 長度為 2 的數值向量：c(numeric, factor) 的最小節點大小。預設為 c(5, 1)。
• variablewise — 若為 TRUE，則回傳每個變數的 OOB 誤差。
• parallelize — "no"、"variables" 或 "forests"。
• num.threads — 給 ranger 用的執行緒數（randomForest 忽略此參數）。
• backend — "ranger"（預設）或 "randomForest"。
• xtrue — 可選的完整資料供基準測試（會增加 $error 欄位）。

• ntree → num.trees
• nodesize → min.bucket（回歸/分類分開設定；預設為 c(5,1)）
• sampsize（數量）→ sample.fraction（比例；可為整體或分群）
• classwt → class.weights
• cutoff 以機率森林擬合，並於後處理門檻

公用工具

• mixError(ximp, xmis, xtrue) — 計算真實缺失項的 NRMSE（數值）與 PFC（類別）。
• nrmse(ximp, xmis, xtrue) — 僅連續型資料的 NRMSE。
• prodNA(x, noNA = 0.1) — 向資料框注入 MCAR 缺失。
• varClass(x) — 回傳每欄 "numeric"/"factor"。

小技巧與最佳實踐

• 在呼叫 missForest 前，請將字元欄位轉換為因子（factors）。
• 對於寬型資料，建議使用 parallelize = "variables"；對於深度/高計算量的樹，建議使用 parallelize = "forests"。
• 設定隨機種子以獲得準可重現的結果：

  set.seed(123); imp <- missForest(x)
  ``
在原型設計階段，可以降低 ntree 以加快迭代速度。
---
引用
如果您使用 missForest，請引用：
 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
您也可以引用此套件：

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 ---