利用机器学习在不完整数据集上估计系外行星质量
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了系外行星数据集中缺失值所造成的统计分析限制，特别是在质量测量方面。通过比较五种机器学习算法在不完整多维数据集上的表现，发现使用额外不完整数据时填补结果会更好，从而能为任何已知属性的行星预测质量。研究中提出的$k$NN$\times$KDE算法能够提供填补属性的概率分布，展现了较高的可信度和行星群体的潜在特征。
本研究解决了系外行星数据集中质量测量的缺失值问题。通过比较五种机器学习算法，发现使用额外不完整数据时效果更好。提出的$k$NN$ imes$KDE算法能提供属性的概率分布，展现出高可信度和行星群体特征。
