数据清洗
就是删除,去除原始数据集中,无关的,重复的,平滑噪声的数据,筛选掉与挖掘无关的数据
缺失值处理
三种方法:删除,插补,不处理
常见插补
直接删除的缺点
它是以减少历史数据来换取数据的完备,会造成资源的大量浪费,在数据量本身就少的情况下,会造成大量隐藏在数据的信息丢失
异常值处理
数据集成
数据集成就是将分布在不同数据源的数据合并 存放在一个一致的数据存储(如:数据仓库)中的过程
实体识别
指从不同数据源中识别出相同实体。它的任务是统一不同数据源的矛盾之处
1)同名异义
数据源A的ID与数据源B中的ID分别描述的是菜品编号和订单编号,即为不同的实体描述
2)同名同义
数据源A的ID与数据源B中的ID都表示的是菜品编号,即A ID = B ID
3)单位不统一
描述的是同一个实体分别用着不同的计量单位
冗余属性识别
数据集成往往导致数据冗余,例如
1)同一属性多次出现
2)同一属性命名不一致,导致重复
数据变换
主要是对数据进行规范化处理
简单函数变换
规范化
不同的评价指标往往有着不同的量纲,
最大最小规范化
均值规范化
小数定标规范化
连续属性离散化
某些分类算法要求数据是分类属性形式,常常需要将连续属性变换成分类属性,即连续属性离散化
1、离散化的过程
连续属性离散化,就是在数据的取值范围内设定若干个离散的划分点,将取值范围划分为离散的区间,最后用符号或整数值代表落在每个子区间的数据值,所以,离散化涉及两个任务:1、确定分类个数,2.如何将连续属性值映射为分类值
2、常用地离散化方法
- 1)等宽法
将属性的值域分成相同宽度的区间,区间的个数由特定的数据决定,或者由用户指定
对离群点非常敏感,因为是等宽,所以导致有些区间数值很多,而有些区间就极少,这样会严重损坏建立的决策模型 - 2)等频法
等频虽然避免了上述问题,但是,他可靠将相同的数据值划分到不同的区间 - 3)基于聚类分析的方法
属性构造
在挖掘时,为了提取更有用的信息,更深层次的模式,提高挖掘的精度,就需要利用已有的属性集构造出新的属性
小波变换
数据规约
意义:
- 降低无效,错误数据对建模的影响,提高建模的准确性
- 少量,且具代表性的数据将大幅缩减数据挖掘所需要的时间
- 降低存储数据的成本
属性规约
数据规约是通过将属性合并,或者直接将无用属性进行删除,从而提高数据挖掘的效率,
常用方法
主成分分析属性降维
参数:
- n_components:所要保留的主成分个数
- copy:将原始训练数据复制一份,TRUE:原始数据不会改变
- whiten:白化,使得每个特征具有相同的方差
根据各成分方差贡献率选取主成分个数
数值规约
通过选择代替的。较小的数据来减少数据量
- 有参方法:使用一个模型来评估数据,只需存放参数,而不需要存放实际数据,例如:回归(线性回归和多元回归),和对数线性模型(近似离散属性集中的多维概率分布)
- 无参方法:需要存放实际数据,例如:直方图。聚类。抽样(采样)
- 直方图
- 抽样
常用抽样方法
- s个样本无放回简单随机抽样
- s个样本有放回简单随机抽样
- 聚类抽样
- 分层抽样
- 参数回归