Machine Learning & DSTrước tiên nên hiểu cơ chế khuyết: MCAR (khuyết ngẫu nhiên hoàn toàn), MAR (khuyết phụ thuộc biến quan sát khác), MNAR (khuyết phụ thuộc chính giá trị bị thiếu) — nó quyết định cách xử lý có gây thiên lệch hay không.
Các chiến lược chính:
- Xoá (deletion) — bỏ hàng (listwise) hoặc cột. Đơn giản nhưng mất dữ liệu; chỉ ổn khi tỷ lệ khuyết nhỏ và MCAR.
- Imputation đơn giản — điền mean/median (số) hoặc mode (phân loại). Nhanh nhưng giảm phương sai và bỏ qua quan hệ giữa các biến. Median bền với ngoại lai hơn mean.
- Imputation theo mô hình — KNN (lấy từ láng giềng gần), hồi quy, hoặc MICE / IterativeImputer (điền lặp dựa trên các biến khác). Chính xác hơn nhưng tốn tính toán.
- Đánh dấu (indicator) — thêm cột chỉ báo "đã khuyết" để mô hình học tín hiệu từ việc thiếu, nhất là khi MNAR.
Lưu ý rò rỉ dữ liệu: tính tham số điền (vd median) chỉ trên tập train rồi áp cho validation/test — không dùng thống kê toàn bộ dữ liệu.