问题描述
我花了很多时间试图为我的问题找到好的答案..
在使用多个（比如两个）文本输入运行机器学习二元分类时，如何估算两个输入特征中的缺失值？
我只是用一个简单的例子来澄清我的问题。
假设我试图对每篇新闻文章进行分类，无论它是否属于“政治”部分（二元分类）。两个输入特征是“文章内容”和“文章标题”，它们由文本组成。
为了解决一般的任务，我需要对这两个输入进行预处理并对每个输入进行矢量化（使用 countvectorizer 或 tf-idf 等），然后将两个矢量化矩阵连接成一个，然后选择任何二进制分类后面分析的方法。
这里我的问题是，如何估算任何缺失值，尤其是当输入是文本时？我知道有几种方法可以做到这一点，例如估算平均值等。但是，当输入是数字（例如人的年龄或收入）时，这将成为一项简单的任务。
在这里再次总结我的问题：
1）当输入是文本时，有没有办法估算缺失值？
2) 一种方法是删除有缺失值的一行，但我想让它保持活动状态，因为一个输入值可能缺失但不是另一个输入值（就像文章中的 Article_ID B & C 案例一样下面的例子）。
为了便于说明，将非常简化的数据集示例可视化，这里是。请注意，这是我想出来的一个假数据集，只是为了提供一个例子。
Article_ID Politics(class) Contents(input 1) Title(input 2)
A Yes The justices heard... Supreme Court Seems...
B Yes N/A U.S. to Begin Offering...
C No The announcement comes as... N/A
D Yes The two countries said... Despite Tensions,U.S. ...
E No Movie streaming service is... Two more seasons renewed...
解决方法
如果您要连接两个输入，则可以使用一些选项来代替缺失的文本：
zero vector 或
constant * array(size(vector)) where constant can be (1e-4,1 / N),N = vocab length or vector length and the array is a vector of ones
因为无论您对未知文本使用何种向量，模型都有责任确定其在最终预测中的重要性。