参考链接 ：https://www.zhihu.com/question/58230411
1. Xgboost
XGBoost处理缺失值，是将所有有缺失值的数据捆绑在一起，比较将这些数据都放入左子树和都放入右子树时的损失大小。最终将数据分到损失小的那一列。
2. 决策树
三个问题：
1. 在选择分裂属性的时候，训练样本存在缺失值，如何处理？
2. 在建树过程中，给定划分属性，若样本在该属性上的值是缺失的，那么该如何对这个样本进行划分？
3. 训练完成，给测试集样本分类，有缺失值怎么办？
Ans:
1、2: 前两个问题，参考文献：https://blog.csdn.net/u012328159/article/details/79413610
3. 针对第三个问题，通常选择样本数最多的特征值方向。
3. 总结
1. 树模型对缺失值的敏感性较低，大部分基于树的算法可在数据有缺失时使用
2. 涉及到距离度量的算法对缺失值的敏感度较高，处理不当时，模型效果较差，如KNN、SVM等
3. 线性模型的代价函数往往涉及到距离的计算，将容易导致模型对异常值敏感。
4. 数据量较大时，可以考虑使用神经网络，神经网络对缺失值的敏感度交差。
5. 数据量较小时，可以使用贝叶斯模型
