文档介绍：该【数据挖掘数据预处理 】是由【sanshenglu2】上传分享，文档一共【32】页，该文档可以免费在线阅读，需要了解更多关于【数据挖掘数据预处理 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。数据预处理
数据挖掘数据预处理
为什么要预处理数据?
现实世界的数据是“肮脏的”——数据多了,什么问题都会出现
不完整的:有些感兴趣的属性缺少属性值,或仅包含聚集数据
含噪声的:包含错误或者“孤立点”
不一致的:在编码或者命名上存在差异
没有高质量的数据,就没有高质量的挖掘结果
高质量的决策必须依赖高质量的数据
数据仓库需要对高质量的数据进行一致地集成
数据挖掘数据预处理
数据质量的多维度量
一个广为认可的多维度量观点:
精确度
完整度
一致性
合乎时机
可信度
附加价值
可访问性
跟数据本身的含义相关的
内在的、上下文的、表象的
数据挖掘数据预处理
数据预处理的主要任务
数据清理
填写空缺的值,平滑噪声数据,识别、删除孤立点,解决不一致性
数据集成
集成多个数据库、数据立方体或文件
数据变换
规范化和聚集
数据归约
得到数据集的压缩表示,它小得多,但可以得到相同或相近的结果
数据离散化
数据归约的一部分,通过概念分层和数据的离散化来规约数据,对数字型数据特别重要
数据挖掘数据预处理
空缺值
数据并不总是完整的
例如:数据库表中,很多条记录的对应字段没有相应值,比如销售表中的顾客收入
引起空缺值的原因
设备异常
与其他已有数据不一致而被删除
因为误解而没有被输入的数据
在输入时,有些数据应为得不到重视而没有被输入
对数据的改变没有进行日志记载
空缺值要经过推断而补上
数据挖掘数据预处理
如何处理空缺值
忽略元组:当类标号缺少时通常这么做(假定挖掘任务涉及分类或描述),当每个属性缺少值的百分比变化很大时,它的效果非常差。
人工填写空缺值:工作量大,可行性低
使用一个全局变量填充空缺值:比如使用unknown或-∞
使用属性的平均值填充空缺值
使用与给定元组属同一类的所有样本的平均值
使用最可能的值填充空缺值:使用像Bayesian公式或判定树这样的基于推断的方法
数据挖掘数据预处理
噪声数据
噪声:一个测量变量中的随机错误或偏差
引起噪声数据的原因
数据收集工具的问题
数据输入错误
数据传输错误
技术限制
命名规则的不一致
数据挖掘数据预处理
如何处理噪声数据
分箱(binning):
首先排序数据,并将他们分到等深的箱中
然后可以按箱的平均值平滑、按箱中值平滑、按箱的边界平滑等等
聚类:
监测并且去除孤立点
计算机和人工检查结合
计算机检测可疑数据,然后对它们进行人工判断
回归
通过让数据适应回归函数来平滑数据
数据挖掘数据预处理
数据平滑的分箱方法
price的排序后数据(单位:美元):4,8,15,21,21,24,25,28,34
划分为(等深的)箱:
箱1:4,8,15
箱2:21,21,24
箱3:25,28,34
用箱平均值平滑:
箱1:9,9,9
箱2:22,22,22
箱3:29,29,29
用箱边界平滑:
箱1:4,4,15
箱2:21,21,24
箱3:25,25,34
数据挖掘数据预处理
聚类
通过聚类分析查找孤立点,消除噪声
数据挖掘数据预处理