1.数据导入
2.数据处理
①缺失处理--替换(众数)
--删除
参考如下模型,对比不同处理方法的准确率·,选取更高的。
a.KNN算法
以某个数据为中心,分析离其最近的K个邻居的类别.
b.SVM算法
找一分割线W•X+b =0把两类分开,区分两个类别并且能使间隔最大。
c.AdaBoost算法
是一个简单的弱分类算法提升过程。通过不断的训练提高对数据的分类能力。将各个训练得到的弱分类器组合成强分类器。误差率低的弱分类器在最终分类器中占的比例较大。
d.随机森林算法
用随机的方式建立一个森林,每一棵决策树之间没有关联。输入一个新的样本,让森林中的每一棵决策树分别进行一下判断。哪一类被选择最多就预测这个样本为那一类。
以删除为例:
对于含有缺失值数据占比较小的字段直接删除这些缺失值所在的数据--删除含有'unknown'的行
对于缺失值占比较大的字段使用不含缺失值的数据作为训练集,使用随机森林预测缺失值并填充。--删除unknown大于30%的列
②符号替换
③数据标准化--将数值投射到[0,1]
④样本去重