当存在缺失数据时，使用R随机森林对新数据进行预测

library(randomForest)

# 假设df是你的数据框，且目标变量为"target"
df_clean <- na.omit(df)  # 删除含有缺失值的行

# 训练随机森林模型
rf_model <- randomForest(target ~ ., data = df_clean)

# 对新数据进行预测
predictions <- predict(rf_model, newdata)

# 对于数值型特征，使用均值填充
df$num_feature[is.na(df$num_feature)] <- mean(df$num_feature, na.rm = TRUE)

# 对于分类特征，使用众数填充
mode <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}
df$cate_feature[is.na(df$cate_feature)] <- mode(df$cate_feature)

# 训练随机森林模型并进行预测
rf_model <- randomForest(target ~ ., data = df)
predictions <- predict(rf_model, newdata)

library(DMwR)

# 使用KNN填充缺失值
df_filled <- knnImputation(df, k = 5)

# 训练随机森林模型并进行预测
rf_model <- randomForest(target ~ ., data = df_filled)
predictions <- predict(rf_model, newdata)

# 直接使用randomForest处理缺失值
rf_model <- randomForest(target ~ ., data = df, na.action = na.roughfix)

# 对新数据进行预测
predictions <- predict(rf_model, newdata)