U bouwt een regressiemodel om patiëntresultaten te voorspellen. In een dataset van 4.000 patiënten (allen ouder dan 65) hebben 450 records de leeftijd geregistreerd als 0, terwijl andere kenmerken er redelijk uitzien. Hoe moet u omgaan met deze incorrecte leeftijdswaarden?

De correcte aanpak is om de leeftijdswaarden van 0 te vervangen door de gemiddelde of mediane leeftijd van de dataset. Aangezien alle patiënten ouder zijn dan 65, is een leeftijd van 0 duidelijk een datainvoerfout. Het verwijderen van 450 records (meer dan 10% van de dataset) kan leiden tot verlies van waardevolle informatie en bias introduceren. Het volledig verwijderen van het leeftijdskenmerk is onverstandig, omdat leeftijd waarschijnlijk een belangrijke voorspeller is voor patiëntresultaten. K-means clustering is een algoritme voor het groeperen van gegevens, niet voor het imputeren van ontbrekende of onjuiste numerieke waarden op deze manier. Gemiddelde of mediaanimputatie is een gangbare en effectieve methode om dergelijke foutieve waarden te corrigeren, waarbij de mediaan robuuster is tegen uitschieters.