缺失值問題可以從三個方面來考慮
1. 在選擇分裂屬性的時候，訓練樣本存在缺失值，如何處理？（計算分裂損失減少值時，忽略特征缺失的樣本，最終計算的值乘以比例（實際參與計算的樣本數除以總的樣本數））
假如你使用ID3算法，那么選擇分類屬性時，就要計算所有屬性的熵增(信息增益，Gain)。假設10個樣本，屬性是a,b,c。在計算a屬性熵時發現，第10個樣本的a屬性缺失，那么就把第10個樣本去掉，前9個樣本組成新的樣本集，在新樣本集上按正常方法計算a屬性的熵增。然后結果乘0.9（新樣本占raw樣本的比例），就是a屬性最終的熵。
2. 分類屬性選擇完成，對訓練樣本分類，發現樣本屬性缺失怎么辦？（將該樣本分配到所有子節點中，權重由1變為具有屬性a的樣本被划分成的子集樣本個數的相對比率，計算錯誤率的時候，需要考慮到樣本權重）
比如該節點是根據a屬性划分，但是待分類樣本a屬性缺失，怎么辦呢？假設a屬性離散，有1,2兩種取值，那么就把該樣本分配到兩個子節點中去，但是權重由1變為相應離散值個數占樣本的比例。然后計算錯誤率的時候，注意，不是每個樣本都是權重為1，存在分數。
3. 訓練完成，給測試集樣本分類，有缺失值怎么辦？（分類時，如果待分類樣本有缺失變量，而決策樹決策過程中沒有用到這些變量，則決策過程和沒有缺失的數據一樣；否則，如果決策要用到缺失變量，決策樹也可以在當前節點做多數投票來決定（選擇樣本數最多的特征值方向）。）
(U)如果有單獨的缺失分支，使用此分支。(c)把待分類的樣本的屬性a值分配一個最常出現的a的屬性值，然后進行分支預測。(S)根據其他屬性為該待分類樣本填充一個屬性a值，然后進行分支處理。(F)在決策樹中屬性a節點的分支上，遍歷屬性a節點的所有分支，探索可能所有的分類結果，然后把這些分類結果結合起來一起考慮，按照概率決定一個分類。(H)待分類樣本在到達屬性a節點時就終止分類，然后根據此時a節點所覆蓋的葉子節點類別狀況為其分配一個發生概率最高的類。
https://www.zhihu.com/question/34867991
http://blog.sina.com.cn/s/blog_68ffc7a40100urn3.html