R:mice() 如何知道要插补哪个变量？

Question

我在 R 中发现了一些利用范 Derby 尔特泰坦尼克号数据集研究机器学习的代码 HERE 。这是类(class)的一部分，没有现场讲师或其他资源来回答我自己的问题。这项练习的最终目标是根据其他观察到的数据来预测生存率。我们将数据分为训练集和测试集，并运行 str(training)返回:

> str(training)
'data.frame':   917 obs. of  14 variables:
 $ pclass   : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
 $ survived : Factor w/ 2 levels "0","1": 2 2 1 1 2 2 1 2 2 2 ...
 $ name     : chr  "Allen, Miss. Elisabeth Walton" "Allison, Master. Hudson Trevor" "Allison, Miss. Helen Loraine" "Allison, Mrs. Hudson J C (Bessie Waldo Daniels)" ...
 $ sex      : Factor w/ 2 levels "female","male": 1 2 1 1 2 1 2 1 1 1 ...
 $ age      : num  29 0.92 2 25 48 63 71 18 24 26 ...
 $ sibsp    : int  0 1 1 1 0 1 0 1 0 0 ...
 $ parch    : int  0 2 2 2 0 0 0 0 0 0 ...
 $ ticket   : chr  "24160" "113781" "113781" "113781" ...
 $ fare     : num  211.3 151.6 151.6 151.6 26.6 ...
 $ cabin    : chr  "B5" "C22 C26" "C22 C26" "C22 C26" ...
 $ embarked : Factor w/ 4 levels "","C","Q","S": 4 4 4 4 4 4 2 2 2 4 ...
 $ boat     : chr  "2" "11" "" "" ...
 $ body     : int  NA NA NA NA NA NA 22 NA NA NA ...
 $ home.dest: chr  "St Louis, MO" "Montreal, PQ / Chesterville, ON" "Montreal, PQ / Chesterville, ON" "Montreal, PQ / Chesterville, ON" ...

我的问题是双重的。此过程的第一步是标记函数并将其应用于“因子变量”，如下所示:

factor_vars <- c('pclass', 'sex', 'embarked', 'survived')
training[factor_vars] <- lapply(training[factor_vars], function(x) as.factor(x))

我了解factor_vars在这里赋值，因为这些变量被清楚地标记为 Factor调用str(training)时。我的问题是我们为什么要运行 lapply功能？看来它只是将因子变量分类为因子。 training[factor_vars] <- lapply(training[factor_vars], function(x) as.factor(x)) 中到底发生了什么？行代码？

下一步是估算缺失的变量 age 。

impute_variables <- c('pclass', 'sex', 'age', 'sibsp', 'parch', 'fare', 'embarked')
mice_model <- mice(training[,impute_variables], method='rf')

1. 为什么特定的变量子集被选为 impute_variables ？包含诸如 sex 之类的内容的基础是什么？但不是boat ？
2. 为什么我们要在 mice() 中对训练数据进行子集化函数仅作用于 impute_variables列？

3. mice_model 返回的输出是:

   iter imp variable
1 1 age
1 2 age
1 3 age
1 4 age
1 5 age
2 1 age
2 2 age
2 3 age
2 4 age
2 5 age
3 1 age
3 2 age
3 3 age
3 4 age
3 5 age
4 1 age
4 2 age
4 3 age
4 4 age
4 5 age
5 1 age
5 2 age
5 3 age
5 4 age
5 5 age

在上述任何代码中，我们明确告诉 mice()估算年龄的函数？

Answer 1

简短回答:类(class)讲师经常给出含糊不清且令人困惑的示例。

长答案:正如 LAP 所指出的，mice() 确实会估算输入其中的任何变量。在这种特殊情况下，泰坦尼克号数据集只有一列包含任何缺失值 - age。任何人都可以猜测为什么讲师选择在插补中任意包含其他变量。他在书中没有解释为什么要这么做。