一些合作者倾向于使用完整的案例类型分析，只使用具有完整数据的主题，但这让我有点紧张，因为我觉得那些缺失的数据模式可能会产生影响。

我认为您的直觉是正确的，丢失的数据可以具有强大的预测能力，不应丢弃。

问题是如何处理缺失的数据，这里有两个选项（在众多选项中）

• 使用可以处理缺失数据的基于决策树的算法。特别是，它将丢失的分类数据视为自己的一个类别。例如 XGboost、Light GBM、Catboost 或任何其他高级树算法

• 对于无法处理 NAN 的其他算法（例如逻辑回归、神经网络等）：对缺失数据使用某种形式的插补：这将取决于数据分布的形状和细节。平均值并不总是最好的主意，而众数或百分位数有时更好

如果你对预测能力最感兴趣，那么我建议使用基于树的算法，这已经成为 Kaggle 比赛的常态（非常成功）