数据挖掘——数据预处理.ppt

文档介绍：数据挖掘与知识发现(复杂数据对象的数据挖掘与知识发现)
4 数据挖掘的预处理
数据挖掘的困难所在
Noise
Skewed distribution
Missing values (plete info)
Scalability
High dimensionality
Bias in data
...
预处理在知识发现中所占份量
预处理
各种不同的数据源和数据对象
数据的选择、集成与整合,对问题进行限定
数据库中的数据具有噪声、缺值、不易至
数据的去噪和规范化问题,提高挖掘精度
数据的变换
规范化、映射到不同的空间,提高挖掘效率
数据的规约
取出冗余、属性聚类来压缩数据
数据的预处理是KDD&DM的重要步骤
预处理的基本功能
预处理主要是接受并理解KDD要求,确定发现任务
抽取与发现任务相关的数据源,根据背景知识中的约束性规则对数据进行合法性检查
通过清理和归约等操作,生成供挖掘核心使用的目标数据。
它汇集了原始数据库中与发现有关的所有数据的总体特征,是知识发现状态空间的基底。
4 数据挖掘的预处理





数据选择
分析需求和应用,了解业务背景
确定分析主题
数据库或数据仓库中选择索要分析的数据
利用数据转换工具进行分析处理
数据集成
将多文件或多数据库运行环境中的异构数据进行合并处理,解决语义的模糊性。解决数据的冲突问题以及不一致数据的处理问题。
数据来自多个系统,存在着异构数据的转换问。多个数据源的之间还存在许多不一致的地方,如命名、结构、单位、含义等。因此,数据集成并非是简单的数据合并,而是把数据进行统一化和规范化处理的复杂过程。
需要统一原始数据中的所有矛盾之处,如字段的同名异义、异名同义、单位不统一、字长不一致等,把原始数据在最低层次上加以转换、提炼和聚集。
数据集成中还应考虑数据类型的选择问题,尽量选择占物理空间较小的数据类型。
数据集成——冗余
冗余的原因:数据库设计,不同来源的数据引起的数据的相关性
冗余检验:属性的相关性——属性A,B 其相关性度量