在开始之前,先举一个小例子。假设小明考了80分,小华也考了80分。但前者是百分制,后者150是满分。如果我们把从这两个渠道收集上来的数据进行集成、挖掘。无论使用什么算法,结果也不是正确的。因为这两个分数,代表的含义完全不同。所以说,有时候数据变换比算法选择更重要。数据错了,算法再正确也是错的。那么,如何将不同渠道的数据进行统一呢?这就用到了数据变化。
众所周知,在数据变换前,我们需要先对字段进行筛选,然后对数据进行探索和相关性分析,接着是选择算法模型,然后针对算法模型对数据的需求进行数据变换,从而完成数据挖掘前的准备工作。
从这个流程可以看出,数据变换是数据准备的重要环节。它可以通过 数据平滑、数据聚集、数据概化和规范化等方式,将数据转换成适用于数据挖掘的形式。
一、常见的变换方法
数据平滑:去除数据中的噪声,将连续数据离散化。可采用分箱、聚类和回归的方式进行数据平滑。
数据聚集:对数据进行汇总。比如SQL 中的 Max() 、Sum() 等函数。
数据概化:将数据由较低的概念抽象成较高的概念,减少数据复杂度。即用更高的概念替代更低的概念。比如:上海、杭州、深圳可以概化为中国。
数据规范化:使属性数据按比例缩放,这样就将原来的数值映射到一个新的特定区域中,常用的方法有:Min-Max规范化、Z-score规范化、按小数定标规范化等。
属性构造:构造出新的属性并添加到属性集中。会用到特征工程的知识,因为通过属性与属性的连接构造新的属性,其实就是特征工作。比如:数据表中统计每个人的英语、语文和数学成绩&#