Análisis del algoritmo MINI para imputación de valores perdidos en conjuntos de datos pequeños y con variables continuas y categóricas

Abstract

La estimación del esfuerzo es un tema decisivo para la gestión de proyectos de software. Para alcanzar este objetivo se utilizan bases datos históricas. Uno de los principales problemas a la hora de estimar dicho esfuerzo es que las bases de datos de las que se dispone, suelen estar incompletas y muchas técnicas no toleran esta situación. Una posible solución al problema es eliminar los casos con valores perdidos, pero reducirá el tamaño de la base de datos con la que se trabajada y en la mayoría de las ocasiones afectará negativamente al resultado. La otra opción es la imputación, es decir, asignar valores plausibles en los casos en que se produce la ausencia de un dato o se desconoce el valor de una variable.

El objetivo de éste trabajo es replicar el algoritmo MINI, propuesto en la publicación académica «A new Imputation Method for Small Software Project Data Sets». MINI es una combinación del algoritmo kNN (k nearest neighbours) y CMI (class mean imputation) que consta de tres partes: la selección de las variables relevantes,la clasifican los datos, y la imputación de los datos.