随着大数据时代的来临和数据科学的发展,学术研究者和数据工作从业者越来越重视数据的价值,在分析研究中更倾向于获取更多更全面的数据,同时这也使得数据冗杂、数据结构复杂和信息缺失的现象越来越普遍,这给数据挖掘工作带来巨大的挑战。其中缺失数据的处理是数据预处理过程中十分重要的一项。缺失数据插补是缺失处理技术中最常用的方法之一,因为它尽可能的保留了原始信息,且使得不完整的数据变得完整。但是现有的缺失插补方法存在很多局限性,如仅适用于数据缺失机制是完全随机缺失的情况,必须要有完整的样本进行模型训练等严苛的条件,这也导致了这些插补方法的适用范围很窄。本文探讨了数据缺失机制和缺失模型,用列均匀的和列非均匀的两种方式分别模拟了完全随机缺失、随机缺失和非随机缺失三种缺失机制,考虑到一般性,仅模拟一般缺失模型。对原始完整的数据进行标准化和正态化的预处理,然后模拟产生缺失值。考虑到指标评价的一致性,本文选用UCI网站的4个分类任务的数据,包括全数值变量数据集和数值变量、类别变量混合数据集,能代表大多数的数据结构。此外,还模拟产生了多元正态分布的模拟数据进行重构误差的分析。选择均方根误差(RMSE)和基于类别变量的错判率(PFC)指标衡量数据重构误差,用逻辑回归的AUROC衡量重构数据的预测能力。为了能够适用于不同缺失机制和数据结构,本文提出的算法是无监督的算法,避免需要完整数据进行训练的尴尬情况。该算法应用模型增强的思想,先用无监督的机器学习方法进行初始插补,再用基于深度学习的生成对抗式网络插补方法(GAIN)进一步插补。生成对抗式网络插补(GAIN,初始插补为0值,文中为了统一标记,记作zero-GAIN)也是一种无监督的插补方法,所以这样一种叠加的插补方法还是无监督的,本文将该方法称作增强的生成对抗式网络插补方法,简记为Boosting-GAIN。为了探讨初始插补方式带来的影响,本文一共采用了均值插补、K近邻插补方法和缺失森林插补三种方法作为初始插补,然后和GAIN方法进行对比分析。本文在真实数据集和模拟数据集上都证实了Boosting-GAIN方法在各种缺失机制下,数据重构能力和在重构数据上的在预测能力都比GAIN方法要好,其中基于缺失森林为初始插补的Boosting-GAIN插补算法(MissForest-GAIN)表现最好,也是本文推荐的算法。此外,本文还发现随着缺失程度的增加,在本文实验的每一种算法中都表现出明显的趋势性:随着缺失率的增加,重构误差增加,预测能力下降。