1、数据挖掘系列讲座三7-8王 灿数据挖掘0703004数据预处理为什么要预处理数据？n 现实世界的数据是 “肮脏的 ” 数据多了，什么问题都会出现q 不完整的：有些感兴趣的属性缺少属性值，或仅包含聚集数据q 含噪声的：包含错误或者 “孤立点 ”q 不一致的：在编码或者命名上存在差异n 没有高质量的数据，就没有高质量的挖掘结果q 高质量的决策必须依赖高质量的数据q 数据仓库需要对高质量的数据进行一致地集成数据质量的多维度量n 一个广为认可的多维度量观点：q 精确度q 完整度q 一致性q 合乎时机q 可信度q 附加价值q 可访问性n 跟数据本身的含义相关的q 内在的、上下文的、表象的数据预处理的主要
2、任务n 数据清理q 填写空缺的值，平滑噪声数据，识别、删除孤立点，解决不一致性n 数据集成q 集成多个数据库、数据立方体或文件n 数据变换q 规范化和聚集n 数据归约q 得到数据集的压缩表示，它小得多，但可以得到相同或相近的结果n 数据离散化q 数据归约的一部分，通过概念分层和数据的离散化来规约数据，对数字型数据特别重要空缺值n 数据并不总是完整的q 例如：数据库表中，很多条记录的对应字段没有相应值，比如销售表中的顾客收入n 引起空缺值的原因q 设备异常q 与其他已有数据不一致而被删除q 因为误解而没有被输入的数据q 在输入时，有些数据应为得不到重视而没有被输入q 对数据的改变没有进行日志记载
3、n 空缺值要经过推断而补上如何处理空缺值n 忽略元组：当类标号缺少时通常这么做（假定挖掘任务涉及分类或描述），当每个属性缺少值的百分比变化很大时，它的效果非常差。n 人工填写空缺值：工作量大，可行性低n 使用一个全局变量填充空缺值：比如使用 unknown或-n 使用属性的平均值填充空缺值n 使用与给定元组属同一类的所有样本的平均值n 使用最可能的值填充空缺值：使用像 Bayesian公式或判定树这样的基于推断的方法噪声数据n 噪声：一个测量变量中的随机错误或偏差n 引起噪声数据的原因q 数据收集工具的问题q 数据输入错误q 数据传输错误q 技术限制q 命名规则的不一致如何处理噪声数据 n 分箱 (binning):q 首先排序数据，并将他们分到等深的箱中q 然后可以按箱的平均值平滑、按箱中值平滑、按箱的边界平滑等等n 聚类：q 监测并且去除孤立点n 计算机和人工检查结合q 计算机检测可疑数据，然后对它们进行人工判断n 回归q 通过让数据适应回归函数来平滑数据
