参考资料:《数据挖掘导论》Pang-Ning Tan 著
1、聚集
2、抽样
3、维规约
4、特征子集选择
5、特征创建
6、离散化和二元化
7、变量变换
选择分析所需要的数据对象和属性及创建/改变属性
改善分析工作,减少时间,降低成本和提高质量
属性=特征=变量
1、聚集
将两个或多个对象合并成单个对象。----删除属性或者压缩特定属性
2、抽样
是一种选择数据对象子集进行分析的常用方法。
处理所有的数据费用太高,太费时间。
在某些情况下,使用抽样算法,以便可以使用更好但开销较大的数据挖掘算法。
(1)简单随机抽样:无放回抽样、有放回抽样
(2)分层抽样:尽管每组大小不同,但从每组抽取的对象个数相同、、或者从每组抽取的对象数量正比于该组的大小。
3、维规约
主成分分析、奇异值分解
4、特征子集选择
冗余特征、不相关特征
1)嵌入方法(embedded approach) 数据挖掘算法本身决定使用娜些属性和忽略哪些属性(如决策树)
2)过滤方法(filter approach) 使用独立于数据挖掘任务的方法,在算法运行前进行特征选择(如属性对之间相关度尽可能低)
3)包装方法(wrapper approach) 将数据挖掘算法作为黑盒,使用类似于前面介绍的理想算法
过滤