MICE(Multiple Imputation by Chained Equations)是一种处理数据集中缺失数据的稳健、信息丰富的方法。 该过程通过一系列迭代的预测模型“填充”（估算）数据集中的缺失数据。

        在每次迭代中，数据集中的每个指定变量都使用数据集中的其他变量进行估算。 不断迭代在，直至收敛。

         上述这个过程一直持续到所有指定的变量都被插补。 如果没有收敛，则可以运行额外的迭代，尽管通常不超过 5 次迭代是必要的。

         插补的准确性取决于数据集中的信息密度。 没有相关性的完全独立变量的数据集不会产生准确的插补。

        MICE 可以使用称为预测均值匹配 (PMM) 的程序来选择要估算的值。 PMM 从原始非缺失数据中选择一个数据点，该数据点的预测值接近缺失样本的预测值。

         选择最接近的 N个数据点作为候选值，从中随机选择一个值来进行补全。

随机在数据里产生 10% 的 缺失值。同时把 Species 这个分类变量也去掉。

        表达的意思是Petal.Length一共7个missing 数据，其中两个和第二列的Petal.Weight在同样的坐标处丢失数据；剩下5个只有在自己的坐标处丢失数据。