ریزش داده‌ها و مقادیر گمشده از مشکلات معمول در تحلیل داده‌ها محسوب می‌شود. لذا اهمیت دارد که با برآورد مقادیر گمشده، داده‌ها کامل شده و در مسیری مناسب و صحیح برای تحلیل قرار داده شوند. دو روش معمول برای مقابله با داده‌های گمشده "جانهی چندگانه" و "وزن‌دهی احتمال معکوس" هستند. در این مقاله، رویکرد سومی‌ معرفی خواهد شد که ترکیبی از دو روش جانهی چندگانه و وزن‌دهی احتمال معکوس است. با توجه به نتایج حاصل از مطالعه شبیه‌سازی روش ترکیبی مزایای بیشتری نسبت به سایر گزینه‌ها دارد. با توجه به وجود مقادیر گمشده در اکثر مطالعات به‌خصوص در حوزه پزشکی، نادیده گرفتن آن‌ها سبب تحلیل اشتباه شده و استفاده از روش‌های نیرومند، برای تحلیل صحیح، با اهمیت تلقی می‌شود.

نحوه برخورد با داده‌های گم‌شده یکی از مسائلی است که اغلب محققان با آن روبرو هستند. جانهی چندگانه با استفاده از معادله‌های زنجیره‌ای یکی از رایج‌ترین و انعطاف‌پذیرترین روش‌ها برای جانهی است.  از دیدگاه تئوری، هر مدل جانهی می‌تواند  برای پیش‌بینی مقادیر داده‌های گم‌شده استفاده شود اما اگر مدل‌های پیشگویی نادرست باشند می‌تواند منجر به برآوردهای اریب و استنباط‌های نامعتبر شود. یکی از جدیدترین راه‌حل‌ها برای برخورد با داده‌های گم‌شده، روش‌ ترکیبی یادگیری ماشین و ابریادگیرنده است. در این مقاله،  چند شبیه‌سازی‌ برای نشان دادن رویکرد بهتر این روش از نظر اریبی کمتر و همگرایی بهتر برآورد پارامتر نهایی نسبت به  روش‌های جانهی رایج ارائه شده است.  همچنین، به پیاده‌سازی برخی روش‌های یادگیری ماشین و یک الگوریتم ترکیبی از ابریادگیرنده، روی داده‌های کارگاه‌های صنعتی  پرداخته شده است که در آن جانهی متغیرهای مختلف در داده‌ها به‌طور همزمان صورت می‌گیرد. همچنین به ارزیابی روش‌های مختلف  و معرفی روش دارای عملکرد برتر، پرداخته شده است.