補完（データ補完）とは、データセット内に存在する欠損値（空欄や未入力の部分）を、統計的な手法や機械学習アルゴリズムを用いて妥当な値で埋める処理のことです。AIの学習モデルは不完全なデータを受け付けないことが多いため、データ前処理において予測精度やモデルの安定性を保つための極めて重要なステップです。
補完とは
補完（データ補完）とは、収集されたデータの中に含まれる欠損値（本来あるべきデータが抜け落ちている部分）に対して、統計学的なアプローチや機械学習モデルを用いて、推定された適切な値を代入して穴埋めするプロセスです。
詳しく解説
AIや機械学習のモデルを訓練する際、入力データに欠損値が含まれていると、エラーが発生したり予測精度が著しく低下したりします。これを防ぐために行われるのが補完処理です。単純な補完方法としては、平均値や中央値、最頻値などの代表値で一律に埋める「単一代入法」があります。しかし、この方法ではデータのばらつき（分散）が不自然に小さくなる傾向があります。これに対し、他の変数との相関関係を考慮して予測値を代入する「回帰補完」や、複数回の補完を行って不確実性を評価する「多重代入法」、さらにK近傍法（KNN）やディープラーニングなどの「機械学習」モデル自体を用いて欠損値を予測・補完する高度な手法も広く用いられています。
具体例・使われ方
例えば、不動産価格の予測モデルを作る際、一部の物件データで「築年数」や「駅からの距離」が空欄になっている場合があります。このとき、築年数が不明な物件に対して、周辺の類似した物件の築年数の平均値を代入したり、広さや価格から逆算して築年数を推定して埋めたりするのが補完の具体例です。また、アンケート調査で無回答だった項目を、回答者の他の属性（年齢や職業など）から統計的に予測して穴埋めすることもあります。
似た用語との違い
データ補完と混同されやすい概念に「データ削除（リストワイズ削除）」があります。データ削除は、欠損値が含まれるデータ行（レコード）そのものを丸ごと取り除く手法です。実装は簡単ですが、貴重なデータ量が減少するほか、欠損に偏りがある場合にデータ全体の傾向（バイアス）が歪むリスクがあります。一方、補完は既存の情報を最大限に活かしてデータを維持する点が異なります。また、テキスト生成AIにおける「テキスト補完（Completion）」は、与えられたプロンプトに続く文章を生成する技術であり、欠損データ処理とは文脈が異なります。
注意点
補完はあくまで「推測された値」でデータを埋める作業であり、実際の真実のデータそのものではありません。不適切な補完（例えば、関係性の薄い変数の平均値で一律に埋めるなど）を行うと、データ全体の相関関係が歪み、AIモデルが誤ったパターンを学習してしまう原因になります。また、欠損が発生した理由（ランダムな欠損か、特定の意図や偏りによる欠損か）を分析せずに機械的に補完を行うことは、分析結果の信頼性を損なうため避けるべきです。