本文为从书本学习过程中的摘录
数据质量分析是数据挖掘中数据准备过程中重要的一环,是数据预处理的前提,也是数据挖掘分析结论有效性和准确性的基础。
一、缺失值分析
数据的确实主要包括数据的缺失和记录中某个字段的缺失,两者都会造成分析结果的不准确性。
缺失值的影响
- 数据挖掘建模将会丢失大量有用的信息。
- 数据挖掘模型所表现出的不确定性更加显著,模型中蕴含的规律性更难把握
- 包含的空值数据会使建模过程陷入混乱,导致不可靠的输出
异常值分析方法
异常值分析是校验数据数据是否有录入错误,是否含有不合理的数据。
异常值是指样本中的个别值,其数值明显偏离其他的观测值。异常值也称为离群点,异常值分析也称为离群点分析。
分析方法
简单统计分析
在进行异常值分析时,可以先对变量做一个描述性统计,进而查看哪些数据是不合理的。最常用的统计量是最大值和最小值,用来判断这个变量的取值是否超出了合理范围
3σ原则
如果数据服从正太分布,在3σ原则下,异常值被定义为一组测定值中与平均值的偏差超过3倍标准差的值。在正态分布的假设下,距离平局值3σ之外的值出现的概率为 P ( ∣ X − μ ∣ > 3 σ ) ≤ 0.003 P(|X-μ|>3σ) ≤ 0.003 P(∣X−μ∣>3σ)≤0.003
箱型图分析
箱型图提供了识别异常值的一个标准
异常值定义:小于QL - 1.5IQR或 大于 QU + 1.5IQR 的值
QL被称为下四分位,表示全部观察值中只有四分之一的数据比它小
QU被成为上四分位,表示全部观察值中只有四分之一的数据比它大
IQR被称为四分位差距,是上四分位和下四分位之差,其间包含了