我有一个缺失值的数据集，我想使用机器学习方法来填充。更详细地说，有 个人，最多提供 10 个属性，全部为数字。事实是，没有任何个人可以提供所有属性。第一行（每行包含给定个人的数据）看起来如下
一般可以采用哪些方法？
我在分类器和随机森林方面有一些基本经验。模数这不是分类问题的明显区别，我最挣扎的是相同的变量（在例如 -th 列）既是输入又是输出。说我想预测值在上面的数据集中。在这种情况下，第三列中的所有值都可以用作输入，当然排除在外 本身，这将是一个输出。
这似乎与给定一组其他属性（例如，根据教育、工作部门、资历等预测收入）的更传统的预测属性设置不同。在这种情况下，有时收入是要预测的，有时是用来预测另一个变量的。我知道给定向量的方法, 可以逼近一个函数并预测响应和
在我描述的场景中，它看起来像一些隐式函数是要找到的，所有变量的函数（上面数据集中的列）
什么方法可以处理这方面的问题？我知道这个问题可能太笼统了，但我找不到太多，可以做一个起点。对于我的进一步阅读，我已经对一些提示感到满意，但是任何更多的内容将不胜感激，谢谢。
正如您在评论中提到的使用均值的可能问题，天真地使用中值类型的插补可能会导致错误的预测。在这种情况下，您需要首先检查您是否有足够的数据。
您可以尝试对缺失数据使用MICE（链式方程多元插补）算法。该方法基于完全条件规范，其中每个不完整变量由单独的模型估算。MICE 算法可以估算连续、二元、无序分类和有序分类数据的混合。这种方法的一个注意事项：它是一种计算量大的方法，所以如果你时间不短，它会使用它。
要记住的重要一点是，为了解决此类问题，您将需要多次迭代作为算法的一部分。您所描述的传统设置在本质上似乎不是迭代的，因此您遇到了同时输入和输出特征的问题。
如果您坚持寻找缺失值只是为了解决分类或回归等下游任务，您可以尝试 XgBoost 算法。它可以用作分类器或回归器。该算法可以固有地处理缺失值。来源：这个答案
在这种情况下，您需要使用您对问题的见解或领域知识在模型中引入偏见。例如，在使用身高估计体重的可能问题中，您了解到您的数据包含更多的矮个子。因此，不要天真地使用总数据集的中值作为体重，您可以尝试根据身高对数据进行分类，例如“S”、“M”、“L”、“XL”，并估计每个分类的权重分别使用它们各自的 bin 的中值。要记住的是，当数据量少时，您需要通过使用您对问题的洞察力和领域知识来实施一些偏见，从而为模型提供知识。