这是一部讲解如何基于机器学习技术实现数据缺失值填补的专著，与传统的基于统计学的缺失值填补方法相比，效率上得到了较大的提升。作者基于多年的研究和实践成果，创新性地提出了基于神经网络的缺失值填补方法和基于TS模型的缺失值填补方法。全书共8章，可分为4个部分。部分（~3章）：首先介绍缺失值填补领域的缺失数据机制、基本概念、性能度量等基础知识，随后详细阐述目前基于统计学、机器学习的缺失值填补理论与方法。第二部分（第4~5章）：对目前神经网络在缺失值填补领域的研究成果进行归纳总结，并从网络模型、填补方案角度阐述神经网络填补方法的设计及应用。第三部分（第6~7章）：详细介绍面向不完整数据的TS建模过程，随后通过特征选择算法处理TS建模中的特征冗余问题，并从前提参数优化和结论参数优化两个角度改进TS模型。第四部分（第8章）：以缺失值填补方法在我国贫困问题研究中的应用为例，展现缺失值填补方法的现实意义。

前言
章绪论1
1.1缺失值填补的背景与意义1
1.2缺失值填补方法的研究现状概述3
1.2.1基于统计学的缺失值填补方法3
1.2.2基于机器学习的缺失值填补方法4
1.3缺失值填补的应用7
1.4本章小结10
参考文献11
第2章缺失数据的处理方法14
2.1数据缺失机制14
2.1.1完全随机缺失15
2.1.2随机缺失15
2.1.3非随机缺失16
2.2缺失数据的处理17
2.2.1不做处理17
2.2.2不完整样本删除19
2.2.3缺失值填补20
2.3缺失值填补概述22
2.3.1基本概念22
2.3.2方法分类24
2.3.3性能度量26
2.4本章小结29
参考文献29
第3章缺失值填补方法31
3.1基于样本间相似度的填补方法31
3.1.1均值填补法31
3.1.2热平台填补法34
3.1.3K最近邻填补法36
3.1.4基于聚类的填补方法39
3.2基于属性间相关性的填补方法46
3.2.1基于线性回归的填补方法46
3.2.2基于非线性回归的填补方法51
3.2.3基于神经网络的填补方法54
3.3基于参数估计的期望优选化填补方法60
3.3.1参数估计法60
3.3.2期望优选化填补法63
3.4针对缺失数据不确定性的填补方法66
3.4.1多重填补法67
3.4.2基于证据理论的填补方法72
3.5本章小结78
参考文献79
第4章面向不完整数据的神经网络填补方法81
4.1基于自组织映射网络的填补方法81
4.1.1自组织映射网络理论81
4.1.2自组织映射网络的缺失值处理85
4.2基于单层感知机的填补方法87
4.2.1单层感知机理论87
4.2.2传统单层感知机的改进88
4.2.3单层感知机填补模型89
4.3基于多层感知机的填补方法91
4.3.1多层感知机理论91
4.3.2基于多层感知机集群的填补方法93
4.3.3基于多层感知机简化集群的填补方法95
4.4基于自编码器及其变体的填补方法96
4.4.1基于自编码器的填补法97
4.4.2基于径向基函数自编码器的填补法99
4.4.3基于广义回归自编码器的填补法102
4.4.4基于对偶传播自编码器的填补法104
4.4.5基于极限学习机自编码器的填补法106
4.5面向不完整数据的属性关联型神经元建模与填补方法107
4.5.1基于去跟踪自编码器的填补法108
4.5.2基于关联增强型自编码器的填补法112
4.5.3基于多任务学习的填补方法114
4.6典型神经网络填补模型实验117
4.6.1实验设计118
4.6.2不同网络模型的填补精度120
4.6.3自编码器的自跟踪性121
4.6.4去跟踪自编码器的去跟踪性123
4.7本章小结124
参考文献124
第5章神经网络填补方法的优化设计127
5.1面向不完整数据的代价函数127
5.2两阶段式填补方案131
5.2.1训练阶段132
5.2.2填补阶段135
5.3融合式填补方案143
5.3.1基于缺失值变量的神经网络动态填补方案143
5.3.2缺失值变量与模型参数的动态更新144
5.3.3时间复杂度147
5.4典型神经网络填补方案实验149
5.4.1实验设计149
5.4.2不同填补方案的填补精度152
5.4.3MVPT填补方案的收敛性154
5.5本章小结155
参考文献156
第6章基于TS建模的非线性回归填补法157
6.1模糊数学基础157
6.1.1模糊数学与模糊集合157
6.1.2模糊数学在缺失值填补中的应用158
6.2TS模型159
6.2.1TS模型基本结构159
6.2.2TS模型研究与应用现状160
6.3基于TS模型的填补方法163
6.3.1基于TS模型的填补方法概述163
6.3.2前提参数获取165
6.3.3结论参数获取168
6.3.4缺失值填补169
6.4基于特征选择的TS模型填补法170
6.4.1特征选择算法概述170
6.4.2基于特征选择的TS模型填补法177
6.5TS模型填补方法实验178
6.5.1实验设计178
6.5.2TS模型与回归模型的填补效果对比179
6.5.3特征选择对TS模型拟合精度的影响181
6.5.4特征选择对TS模型填补精度的影响183
6.6本章小结186
参考文献186
第7章TS模型填补方法的优化设计188
7.1面向类不均衡数据的TS模型优化188
7.1.1TS模型中的FCM算法188
7.1.2FCM算法存在的问题190
7.1.3DPC算法192
7.1.4类不均衡数据的MDF算法195
7.1.5MDF算法实验196
7.2基于交替学习策略的TS模型填补方法204
7.2.1TS结论参数与填补值的交替学习策略206
7.2.2交替学习策略的迭代收敛性208
7.2.3交替学习策略下线性回归填补法实验209
7.2.4交替学习策略下TS模型填补法实验210
7.3本章小结212
参考文献212
第8章基于缺失值填补的中国贫困家庭特征分析213
8.1精准扶贫过程中的数据缺失问题213
8.1.1我国贫困问题研究213
8.1.2中国家庭追踪调查中的数据缺失问题214
8.2CFPS数据集缺失值填补216
8.2.1基于去跟踪自编码器的动态缺失值填补216
8.2.2缺失值填补精度217
8.3贫困家庭识别219
8.3.1多维贫困测度219
8.3.2贫困的维度指标及临界剥夺值220
8.3.3基于层次分析法的多维贫困指标权重计算223
8.3.4CFPS2016数据集的多维贫困家庭识别227
8.4基于聚类算法的贫困家庭类别划分229
8.4.1层次聚类算法229
8.4.2贫困家庭聚类230
8.5贫困家庭典型特征分析232
8.5.1多重聚类特征选择算法232
8.5.2贫困家庭典型特征选择233
8.6本章小结235
参考文献236