机器学习入门:特征工程与数据降维
1 为什么要进行数据预处理
1.1 数据清洗
1.1.1 数据清洗常见问题
a. 缺失值处理
b. 噪声数据处理
c. 异常值处理
d. 脏数据处理
e. 去重处理
f. ETL - extract、transform、load
g. 离群点与噪声
噪声: 被测量的变量的随机误差或者方差(一般指错误的数据)
离群点: 数据集中包含一些数据对象,他们与数据的一般行为或模型不一致。(正常值, 但偏离大多数数据)
h. 数据清洗常见问题简介
1.2 数据变换的一般方法
1.3 离群点检测
1.4 数据简化
1.4.1 数据简化定义
也称为数据“规约”,指在尽可能保持数据原貌的前提下,最大限度地精简数据量,它小得多, 但是保持原始数据的完整性。也就是说,在归约后的数据集上挖掘更有效果,仍然产生相同( 或几乎形同)的分析结果。注意:用于数据归约的时间不应当超过或“抵消”在归约后的数据挖掘上挖掘节省的时间。
1.4.2 数据简化常见方法
a. 维规约 - 即“降维”
也称“降维”,减少要考虑的变量及属性的个数。方法包括小波变换和主成分分析,他们把原始数据变换或投影到较小的空间。另外属性子集选择也是一种维归约方法,其中不相关、弱相关或冗余的属性或维被检测和删除。
b. 数量规约
用替代的、较小的数据表示形式替换原始数据。
c. 数据压缩
使用变换,以便得到原始数据的归约或“压缩”表示。如果原始数据可以从压缩后的数据重构,而不损失信息,则该数据归约称为无损的。反之,称之为有损的。维归约和数量归约也可以视为某种形式的数据压缩。
2 数据降维
2.1 选择合适的角度投影,你将看到更多的信息