非树模型在建模过程中进行缺失值插补，在模型应用决策时遇到某些变量缺失，是否过模型？如何处理？

Question

在建模过程中，某些算法对缺失值敏感，或者涉及到样本量大小时，会对缺失值进行插补。如果使用-9999对缺失值单独分箱、或者使用0值代替、或者使用平均数或者众数，都无可厚非。模型建立完成，进行决策时，如果遇到某些变量缺失，同样插入建模过程中插入的固定数值。可如果，建模过程中采用的是MICE多重插补、Datawig深度学习插补时，方法原理不同，插入的数据也不一样。能够在插补数据完成的情况下，完成模型开发。可在这类情况下，使用模型进行决策，当新客户有某些入模变量缺失时，模型如何决策？单一新客户进件的情况下，无法通过数据之间关联再使用插补法进行插补，这种情况下应该如何处理，是填0，还是不过模型？

import datawig

df_train, df_test = datawig.utils.random_split(train)

#Initialize a SimpleImputer model
imputer = datawig.SimpleImputer(
    input_columns=['1','2','3','4','5','6','7', 'target'], # column(s) containing information about the column we want to impute
    output_column= '0', # the column we'd like to impute values for
    output_path = 'imputer_model' # stores model data and metrics
    )

Answer 1

https://blog.csdn.net/zxd1754771465/article/details/73550971