1、丢失数据处理方法：丢弃
（1）丢弃缺失的数据点：这种方法要保证丢失的数据点不要太多，否则删除的太多
（2）丢弃缺失的特征：这种方法要保证丢失的特征点不要太多
优点：容易理解；容易在各种模型中实现
缺点：丢失数据将造成信息丢失；无法权衡到底是丢弃特征还是数据点；当预测数据也有丢失的时候，很难预测；
2、丢失数据处理方法：填充
（1）填充自己计算出现的值：最常出现的值，均值，中值等。
优点：容易理解；容易在各种模型中实现；可以在预测整个过程中任何时间用，预测数据有丢失也可以。
缺点：可能带来系统性错误。比如只有几个数据有性别属性，大部分数据都没有，直接填充将有问题。
3、丢失数据处理方法：将所有判断加上unknown这个分支
优点：任何时候都能用；预测精确度更高
缺点：需要修改模型，对决策树来说比较简单
4、当有丢失数据时，如何选择特征进行分割？
选择分类误差最小的一个进行分类。credit中先选出一个最小的，然后再跟其他特征比。
