Sklearn中ExtraTreeRegressor缺失值处理能力咨询及文献查询

核心结论 #

sklearn.tree.ExtraTreeRegressor确实无法内部处理缺失值，这是Scikit-learn的实现限制，而非极端随机树（Extra-Trees）算法本身的固有特性。

具体依据 #

1. Scikit-learn官方文档的明确说明 #

Scikit-learn所有原生树基模型（包括ExtraTreeRegressor、DecisionTreeRegressor、RandomForestRegressor等）的输入要求中，均明确规定特征矩阵X不能包含缺失值（NaN）或无穷大值：

• 在ExtraTreeRegressor.fit()方法的官方文档中，明确标注："X must not contain NaN or infinity"。
• Scikit-learn官方「缺失值处理指南」也明确指出，这类原生树模型不支持原生缺失值处理，用户必须提前通过填充（如SimpleImputer）、删除等方式预处理缺失数据。

2. 原始算法无缺失值处理限制 #

Geurts等人2006年的原始论文《Extremely randomized trees》中，并未将缺失值排除在算法适用场景之外。极端随机树的核心逻辑是随机选择分裂特征和分裂阈值，这一逻辑可通过扩展（如代理分裂、将缺失样本分配到增益最大的子节点等方式）实现缺失值内部处理——这一点已在第三方树模型（如XGBoost、LightGBM）的实现中得到验证，它们基于类似的树分裂逻辑，却支持原生缺失值处理。

3. 社区与官方补充说明 #

Scikit-learn的GitHub issue及社区讨论中，多次有用户询问类似问题，官方维护者明确表示：原生树模型暂未实现缺失值内部处理功能，原因包括开发优先级、算法复杂度权衡等，但这并非算法本身的限制。

可行解决方案 #

如果需要使用支持原生缺失值处理的极端随机树实现，可选择：

• 先通过sklearn.impute.SimpleImputer等工具预处理缺失数据，再使用ExtraTreeRegressor；
• 采用第三方库（如XGBoost的XGBRegressor，通过设置参数实现类极端随机树逻辑；或LightGBM的LGBMRegressor），这类库原生支持缺失值处理。

内容的提问来源于stack exchange，提问作者JoseRA