knnimpute 是如何工作的？
How does knnimpute work?
从 我得到 K-最近邻插补是这样工作的：
- 对于当前观测，获取到所有其他观测的距离。
- 对于当前观测值中的每个缺失值，考虑所有那些 k 个最近的观测值，这些观测值在相关特征中没有缺失值。
- 根据这些观察的那些特征值：计算平均值（或一些类似的统计数据）- 这是用于插补的值。
关键步骤1：如果不是所有值都可用，我们如何计算距离？上面的 post 指向 Heterogeneous Euclidean-Overlap Metric. However I am interested in the implementation of knn-imputation of fancyimpute. I tracked it back to https://github.com/hammerlab/knnimpute, more specifically https://github.com/hammerlab/knnimpute/blob/master/knnimpute/few_observed_entries.py 我查看了代码。但是我无法弄清楚它是如何工作的。
有人可以向我解释一下 knnimpute 是如何工作的吗？这里的距离计算是如何工作的？
以下是 Scikit-Learn Python 库中的 KNNImpute 函数的特定内容。
文档：https://scikit-learn.org/stable/modules/generated/sklearn.impute.KNNImputer.html
参数“metric”的默认值为“nan_euclidian”。可以在此处找到文档：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.nan_euclidean_distances.html
直觉上，“南欧”距离会尽可能计算标准欧几里德距离（如果两个观测值中的任何一个都缺失，则不计算），并线性缩放结果以补偿缺失的条目。
从 我得到 K-最近邻插补是这样工作的：
- 对于当前观测，获取到所有其他观测的距离。
- 对于当前观测值中的每个缺失值，考虑所有那些 k 个最近的观测值，这些观测值在相关特征中没有缺失值。
- 根据这些观察的那些特征值：计算平均值（或一些类似的统计数据）- 这是用于插补的值。
关键步骤1：如果不是所有值都可用，我们如何计算距离？上面的 post 指向 Heterogeneous Euclidean-Overlap Metric. However I am interested in the implementation of knn-imputation of fancyimpute. I tracked it back to https://github.com/hammerlab/knnimpute, more specifically https://github.com/hammerlab/knnimpute/blob/master/knnimpute/few_observed_entries.py 我查看了代码。但是我无法弄清楚它是如何工作的。
有人可以向我解释一下 knnimpute 是如何工作的吗？这里的距离计算是如何工作的？
以下是 Scikit-Learn Python 库中的 KNNImpute 函数的特定内容。 文档：https://scikit-learn.org/stable/modules/generated/sklearn.impute.KNNImputer.html
参数“metric”的默认值为“nan_euclidian”。可以在此处找到文档：https://scikit-learn.org/stable/modules/generated/sklearn.metrics.pairwise.nan_euclidean_distances.html
直觉上，“南欧”距离会尽可能计算标准欧几里德距离（如果两个观测值中的任何一个都缺失，则不计算），并线性缩放结果以补偿缺失的条目。