机器学习算法中缺失数据和稀疏数据之间的区别

稀疏数据和缺失数据之间的主要区别是什么？它如何影响机器学习？更具体地说，稀疏数据和缺失数据对分类算法和算法的回归（预测数）类型有什么影响。我说的是一种情况，丢失数据的百分比很大，我们不能删除包含丢失数据的行。

为了便于理解，我将通过一个示例对此进行描述。假设您正在从具有12个传感器的设备中收集数据。您已经收集了10天的数据。

您收集的数据如下：

这被称为稀疏数据，因为大多数传感器输出均为零。这意味着这些传感器运行正常，但实际读数为零。尽管此矩阵具有高维数据（12轴），但可以说它包含的信息较少。

假设您设备的2个传感器出现故障。
然后您的数据将如下所示：

在这种情况下，您会看到无法使用来自Sensor1和Sensor6的数据。您必须手动填充数据而不影响结果，或者必须重做实验。