1. Khi Nào Có Thể Bỏ Qua Missing Values?

• Tỷ lệ dữ liệu thiếu không đáng kể (dưới 5%) và phân bố ngẫu nhiên (MCAR)
• Dataset có kích thước đủ lớn để đảm bảo tính đại diện
• Giá trị thiếu không ảnh hưởng tới mục tiêu phân tích chính
• Chi phí xử lý cao hơn giá trị thu được
• Các biến có tương quan thấp với biến mục tiêu

2. Khi Nào Cần Xử Lý Missing Values?

• Missing values xuất hiện có quy luật (MAR hoặc MNAR)
• Tỷ lệ dữ liệu thiếu vượt quá 5-10%
• Giá trị thiếu nằm ở các biến quan trọng
• Dataset có kích thước nhỏ
• Dữ liệu dạng chuỗi thời gian
• Yêu cầu độ chính xác cao (lĩnh vực y tế, tài chính)

3. Các Phương Pháp Xử Lý Missing Values

Phương pháp xử lý Missing Values

1. Phương Pháp Imputation Cơ Bản

• Thay thế bằng mean/median/mode
• Forward/backward fill cho dữ liệu thời gian
• Gán giá trị hằng số

2. Phương Pháp Imputation Nâng Cao

• Thuật toán KNN
• Mô hình hồi quy
• Multiple imputation
• Các phương pháp machine learning

3. Tạo Feature Mới

• Đánh dấu missing values
• Phân nhóm categorical
• Áp dụng logic nghiệp vụ

4. Tiêu Chí Lựa Chọn Phương Pháp Xử Lý

• Bản chất của dataset
• Yêu cầu về độ chính xác
• Nguồn lực sẵn có
• Kiến thức chuyên ngành
• Mục tiêu của dự án

Kết luận