“AutoML，或自动化机器学习，根据所使用的算法和框架，通过各种策略来处理缺失数据。一种常见的方法是插补（imputation），即AutoML算法使用统计方法填补缺失值。例如，均值或中位数插补用该特征在现有数据中的平均值或中位数替代缺失的数值。在分类变量中，可以使用最频繁的类别来替代缺失项。这个过程使得模型能够利用所有可用的数据，而不是忽略任何缺失值的行。
另一种有效的方法是为缺失数据创建一个指示符。这意味着AutoML可以引入一个新的二元特征，指示该数据点是否最初缺失。这个特征有时可以提供有价值的信息，从而增强模型的性能。例如，如果某个个体的收入数据缺失，拥有一个单独的特征标记这种缺失可能有助于模型识别与人口统计或市场细分相关的模式。
此外，一些AutoML工具结合了先进的插补技术，如k-近邻（KNN），在这种方法中，缺失值是根据相似数据点的值进行估算的。这种方法通常能比简单的统计方法产生更准确的插补结果。通过使用这些技术的组合，AutoML系统能够有效地解决缺失数据问题，确保构建的模型是稳健的，并能够很好地对新的、未见过的数据集进行泛化。”