[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-en-105":3,"doc-seo-291040-105":59,"doc-detail-291040-en":130},{"code":4,"msg":5,"data":6},0,"success",[7,13,18,23,28,33,38,43,48,51,55],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},1,"Document","Story & Novel",90,"story-novel",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":16,"slug":17},2,"Literature",80,"literature",{"id":19,"doc_module":4,"doc_module_name":9,"category_name":20,"show_sort_weight":21,"slug":22},4,"Exam",70,"exam",{"id":24,"doc_module":4,"doc_module_name":9,"category_name":25,"show_sort_weight":26,"slug":27},5,"Comic",60,"comic",{"id":29,"doc_module":4,"doc_module_name":9,"category_name":30,"show_sort_weight":31,"slug":32},6,"Technology",50,"technology",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":36,"slug":37},7,"Healthcare",40,"healthcare",{"id":39,"doc_module":4,"doc_module_name":9,"category_name":40,"show_sort_weight":41,"slug":42},8,"Research & Report",30,"research-report",{"id":44,"doc_module":4,"doc_module_name":9,"category_name":45,"show_sort_weight":46,"slug":47},9,"Religion & Spirituality",20,"religion-spirituality",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":49,"show_sort_weight":46,"slug":50},"World Cup","world-cup",{"id":52,"doc_module":4,"doc_module_name":9,"category_name":53,"show_sort_weight":52,"slug":54},10,"Lifestyle","lifestyle",{"id":56,"doc_module":4,"doc_module_name":9,"category_name":57,"show_sort_weight":24,"slug":58},19,"General","general",{"code":4,"msg":60,"data":61},"ok",{"site_id":62,"language":63,"slug":64,"title":65,"keywords":66,"description":67,"schema_data":68,"social_meta":123,"head_meta":125,"extra_data":127,"updated_unix":129},105,"lt","multiple-imputation-for-missing-values-of-income-from-paid-employment-using-machine-learning-methods","Samdomojo darbo pajamų praleistų reikšmių užpildymas taikant daugiareikšmį įrašymą ir mašininio mokymosi metodus","","Praleistos reikšmės yra dažna problema analizuojant apklausų duomenis, ypač kai trūksta atsakymų apie jautrias temas, tokias kaip pajamos. Darbe siekiama atkartoti realią situaciją, kai regresijos modelis prognozuoja samdomojo darbo pajamas, o modelio apmokymui ir prognozavimui būtini pilnai užpildyti stebėjimai. Taikomi KNNImpute, missForest ir daugiareikšmio įrašymo metodai, įskaitant prognozuojamo vidurkio atitikimą, atsitiktinę atranką iš stebėtų reikšmių, atsitiktinių miškų, CART klasifikavimo ir regresijos medžius, bei vertinami keli mašininio mokymosi prognozavimo modeliai.",{"@graph":69,"@context":122},[70,84,105],{"@type":71,"itemListElement":72},"BreadcrumbList",[73,77,79,82],{"item":74,"name":75,"@type":76,"position":8},"https://docshare.wps.com","Home","ListItem",{"item":78,"name":9,"@type":76,"position":14},"https://docshare.wps.com/document/",{"item":80,"name":40,"@type":76,"position":81},"https://docshare.wps.com/document/research-report/",3,{"item":83,"name":65,"@type":76,"position":19},"https://docshare.wps.com/document/multiple-imputation-for-missing-values-of-income-from-paid-employment-using-machine-learning-methods/291040/",{"url":83,"name":65,"@type":85,"image":86,"author":91,"headline":65,"publisher":94,"fileFormat":97,"inLanguage":63,"description":67,"dateModified":98,"datePublished":99,"encodingFormat":97,"isAccessibleForFree":100,"interactionStatistic":101},"DigitalDocument",{"url":87,"@type":88,"width":89,"height":90},"https://docshare.wps.com/thumbnails/multiple-imputation-for-missing-values-of-income-from-paid-employment-using-machine-learning-methods/291040.png","ImageObject",300,407,{"name":92,"@type":93},"Clementine","Person",{"url":74,"name":95,"@type":96},"DocShare","Organization","application/pdf","2026-10-25","2026-09-17",true,{"@type":102,"interactionType":103,"userInteractionCount":29},"InteractionCounter",{"@type":104},"ViewAction",{"@type":106,"mainEntity":107},"FAQPage",[108,114,118],{"name":109,"@type":110,"acceptedAnswer":111},"Kodėl praleistų reikšmių įrašymas būtinas prognozuojant samdomojo darbo pajamas?","Question",{"text":112,"@type":113},"Prognozavimo modelio apmokymui ir prognozavimui būtina turėti pilnai užpildytus stebėjimus. Apklausų duomenyse praleistos reikšmės atsiranda, kai respondentai neatsako arba pateikia netikslią informaciją.","Answer",{"name":115,"@type":110,"acceptedAnswer":116},"Kaip darbe atliekamas praleistų reikšmių įrašymas?",{"text":117,"@type":113},"Taikomi KNNImpute ir missForest metodai, taip pat daugiareikšmis įrašymas, paremtas prognozuojamo vidurkio atitikimu, atsitiktine imties atranka iš stebėtų reikšmių bei random forest ir CART (klasifikavimo ir regresijos medžių) metodais.",{"name":119,"@type":110,"acceptedAnswer":120},"Kokie mašininio mokymosi modeliai naudojami pajamų prognozavimui ir koks rezultatas?",{"text":121,"@type":113},"Samdomojo darbo pajamų prognozavimui naudoti gradientinis augimas, ekstremalaus gradientinio augimo (XGBoost), atsitiktiniai miškai ir atraminių vektorių regresija (SVR). Tiksliausios prognozės pasiekiamos, kai taikomas gradientinio augimo modelis su duomenimis, įrašytais missForest metodu.","https://schema.org",{"og:url":83,"og:type":124,"og:title":65,"og:site_name":95,"og:description":67},"article",{"robots":126,"canonical":83},"index,follow",{"doc_id":128,"site_id":62},291040,1790550489,{"code":4,"msg":5,"data":131},{"doc_id":128,"user_id":132,"nickname":92,"user_avatar":133,"doc_module":4,"category_id":39,"category_name":40,"doc_title":65,"doc_description":67,"doc_content":134,"file_id":135,"file_url":136,"file_type":137,"file_size":138,"view_count":29,"is_deleted":4,"is_public":8,"is_downloadable":8,"audit_status":8,"page_count":139,"language":140,"language_code":63,"site_id":62,"html_lang":141,"table_of_contents":142,"faqs":143,"seo_title":144,"seo_description":67,"update_tm":145,"read_time":146,"preview_page_count":4},1374391974564,"https://ap-avatar.wpscdn.com/avatar/14000253aa45c000a9e?x-image-process=image/resize,m_fixed,w_180,h_180&k=1779874745381141002","VILNIAUS UNIVERSITETAS  \nMATEMATIKOS IR INFORMATIKOS FAKULTETAS  \nDUOMENŲ MOKSLO STUDIJŲ PROGRAMA  \nBakalauro baigiamasis darbas  \nSamdomojo darbo pajamų praleistų reikšmių užpildymas taikant daugiareikšmį įrašymą ir mašininio  \nmokymosi metodus  \nMissing Value Imputation for Income of Paid Employment using Multiple Imputation and Machine Learning Methods  \nGuoda Puslytė  \nDarbo vadovas : doc. dr. Rūta Levulienė  \nVilnius  \nSantrauka  \nPraleistos reikšmės yra dažna problema, su kuria susiduriama analizuojant apklausų metu su‐ rinktus duomenis. Dėl įvairių priežasčių respondentai gali neatsakyti į tam tikrus klausimus arba pa‐ teikti netikslią informaciją, ypač kai klausimai susiję su jautriomis temomis, pavyzdžiui, pajamomis. Tyrime siekiama atkartoti realią situaciją, kai konstruojamas regresijos modelis samdomojo darbopajamų prognozavimui, naudojant apklausos būdu surinktus duomenis. Tokio tipo duomenyse daž‐ nai pasitaiko praleistų reikšmių, tačiau tiek modelio apmokymui, tiek prognozavimui yra būtini pil‐ nai užpildyti stebėjimai. Pastaruoju metu, siekiant užpildyti praleistas reikšmes, vis plačiau taikomi mašininio mokymosi metodai, tačiau dauguma tyrimų ir metodų apsiriboja vieno tipo kintamaisiais, dažniausiai – kiekybiniais. Tyrime praleistų reikšmių įrašymas yra atliekamas taikant k‐artimiausių kaimynų ir atsitiktinių miškų algoritmais paremtus metodus bei taikant daugiareikšmį įrašymą nau‐ dojant prognozuojamo vidurkio atitikimo, atsitiktinės imties iš stebėtų reikšmių, atsitikrinių miškų, klasifikavimo ir regresijos medžių metodus. Samdomojo darbo pajamų prognozavimui buvo taikomiketuri mašininio mokymosi modeliai: gradientinio augimo, ekstremalaus gradientinio augimo, atsi‐ tiktinių miškų ir atraminių vektorių regresijos modeliai. Rezultatai parodė, kad tiksliausiai praleistos reikšmės yra įrašomos taikant atsitiktinių miškų bei daugiareikšmio įrašymo klasifikavimo ir regresijos medžių metodus. Tiksliausi samdomojo darbo pajamų prognozavimo rezultatai pasiekti taikant gra‐ dientinio augimo regresijos modelį, kai naudojama duomenų aibė, kurioje praleistos reikšmės buvo įrašytos taikant atsitiktinių miškų praleistų reikšmių įrašymo metodą .  \nRaktiniai žodžiai: Praleistos reikšmės, samdomojo darbo pajamos, daugiareikšmis įrašymas, missForest, KNNImpute, atsitiktiniai miškai, gradientinis augimas, XGBoost, atraminių vektorių reg‐ resija.  \nSummary  \nMissing values are a common problem when analysing data collected in surveys. For a variety of reasons, respondents may not answer certain questions or may provide inaccurate information, especially when the questions relate to sensitive topics such as income. The study aims to replicate areal‐life situation when building a regression model to predict the income of paid employment using data collected through a survey. Missing values are common in this type of data, but both model training and forecasting require fully completed observations. Recently, machine learning methods have been increasingly used to fill in the missing values, but most studies and methods are limited to one type of variable, usually quantitative. In this study, missing value imputation is done by KNNIm‐ pute, missForest, and multiple imputation using predictive mean matching, random sampling from observed values, random forests, classification, and regression trees (CART) . To predict income of paid employment, four machine learning models were employed: gradient boosting, extreme gra‐ dient boosting (XGBoost), random forests, and support vector regression (SVR) . The results showed that missForest and multiple imputation with CART yield the most accurate imputations. Among the predictive models, gradient boosting delivered the best results when used with data imputed via the missForest method.  \nKeywords: Missing values, Income, Multiple imputation, missForest, KNNImpute, Random fo‐ rest, Gradient boosting, XGBoost, Support vector regression.  \nTurinys  \nSantrauka . . . . . . . . . . . . . . . . . . .","cbCaia5lbl5QXEyF","https://ap.wps.com/l/cbCaia5lbl5QXEyF","pdf",1287972,87,"Lithuanian","en","# Santrauka\n# Įvadas\n# Literatūros apžvalga\n# Teorija ir metodologija\n## Praleistų reikšmių tipai\n## Daugiareikšmis įrašymas\n## K-artimiausių kaimynų įrašymas\n## Atsitiktinių miškų įrašymas\n## Gradientinis augimas\n## XG Boost\n## Atsitiktiniai miškai\n## Atraminiai vektoriai\n## Palyginimo metrikos\n# Duomenys\n# Pradinė analizė\n# Praleistų reikšmių generavimas\n# Praleistų reikšmių įrašymas\n## Daugiareikšmis įrašymas\n## K-artimiausių kaimynų įrašymas\n## Atsitiktinių miškų įrašymas\n## Įrašymo metodų palyginimas","[{\"question\":\"Kodėl praleistų reikšmių įrašymas būtinas prognozuojant samdomojo darbo pajamas?\",\"answer\":\"Prognozavimo modelio apmokymui ir prognozavimui būtina turėti pilnai užpildytus stebėjimus. Apklausų duomenyse praleistos reikšmės atsiranda, kai respondentai neatsako arba pateikia netikslią informaciją.\"},{\"question\":\"Kaip darbe atliekamas praleistų reikšmių įrašymas?\",\"answer\":\"Taikomi KNNImpute ir missForest metodai, taip pat daugiareikšmis įrašymas, paremtas prognozuojamo vidurkio atitikimu, atsitiktine imties atranka iš stebėtų reikšmių bei random forest ir CART (klasifikavimo ir regresijos medžių) metodais.\"},{\"question\":\"Kokie mašininio mokymosi modeliai naudojami pajamų prognozavimui ir koks rezultatas?\",\"answer\":\"Samdomojo darbo pajamų prognozavimui naudoti gradientinis augimas, ekstremalaus gradientinio augimo (XGBoost), atsitiktiniai miškai ir atraminių vektorių regresija (SVR). Tiksliausios prognozės pasiekiamos, kai taikomas gradientinio augimo modelis su duomenimis, įrašytais missForest metodu.\"}]","Samdomojo darbo pajamų praleistų reikšmių užpildymas taikant daugiareikšmį įrašymą ir mašininio mokymosi metodus | PDF",1789643290,219]