一篇新论文认为，在机器学习中最小化缺失值插补的均方误差（MSE）可能会在下游分析中引入偏差。研究表明，向插补值添加噪声（一种随机方法）可以通过保留自然数据变异性来有效消除这些偏差。该研究评估了missForest、softImpute和mice等流行的插补工具，发现预测方法中存在持续的偏差，并建议MSE是衡量插补质量不足的标准。 AI
影响 强调了常见数据插补技术中潜在的偏差，敦促转向随机方法以获得更可靠的下游分析。
排序理由 学术论文，展示了关于数据插补方法的新发现。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.03733v1 Announce Type: cross Abstract: Minimizing the Mean Squared Error (MSE) is a key objective in machine learning and is commonly used for imputing missing values. While this approach provides accurate point estimates, it introduces systematic biases in downstream …
Minimizing the Mean Squared Error (MSE) is a key objective in machine learning and is commonly used for imputing missing values. While this approach provides accurate point estimates, it introduces systematic biases in downstream analyses. These biases affect key parameters such …