数据挖掘预处理

 数据预处理的主要任务如下：

（1）数据清理：填写空缺值，平滑噪声数据，识别，删除孤立点，解决不一致性

（2）数据集成：集成多个数据库，数据立方体，文件

（3）数据变换：规范化（消除冗余属性）和聚集（数据汇总），将数据从一个较大的子空间投影到一个较小的子空间

（4）数据归约：得到数据集的压缩表示，量小，但可以得到相近或相同的结果

（5）数据离散化：数据规约的一部分，通过概念分层和数据的离散化来规约数据，对数字型数据比较重要。

 

1.数据清洗

 

（1）处理空缺值：

 

A.  忽略元组

 

B．人工填写空缺值

 

C．使用一个全局变量填充空缺值

 

D．使用属性的平均值填充空缺值

 

E．使用与给定元组属同一类的所有样本的平均值

 

F．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理的方法（目前最流行的方法是基于这个思路的）

 

注意：并非所有的空缺值都是说数据有错误，如果该值允许空缺值，那么说明数据是没问题的，但是应该给与空缺值一个合理的意义。

 

 

2.处理噪声数据

 

噪声：一个测量变量中的随机错误或偏差

 

A.分箱（binning）（等深或等宽分箱）

 

首先排序数据，并将他们分到等深的箱中

 

然后可以按箱的平均值平滑，按箱中值平滑，按箱的边界值平滑

 

B．聚类：检测并且去除孤立点

 

C．计算机和人工检查结合：计算机检测可疑数据，然后对他们进行人工判断

 

D．回归：通过让数据适应回归函数来平滑数据，对连续的数字型数据较好

 

 

3.数据变换

 

A．平滑：去除数据中的噪声

 

B．聚集：数据汇总，数据立方体的构建，数据立方体的计算/物化(一个数据立方体在方体的最底层叫基本方体，基本方体就是已知存在的数据，对现有的数据按照不同维度进行汇总就可以得到不同层次的方体，所有的方体联合起来叫做一个方体的格，也叫数据立方体。数据立方体中所涉及到的计算就是汇总)

 

C．数据概化：沿概念分层向上汇总，数据立方体的不同的维之间可能存在着一个概念分层的关系

 

D．规范化：将数据按比例缩放，使这些数据落入到一个较小的特定的区间之内。方法有：

 

   a.最小----最大规范化

 

   b.Z-score规范化

 

   c.小数定标规范化

 

E．属性的构造：通过现有属性构造新的属性，并添加到属性集中

 

4.数据归约

 

（1）数据归约可以用来得到数据集的归约表示，它小得多，但可以产生相同（或几乎相同的）分析结果

 

（2）数据归约策略

 

   A.数据立方体聚集：

 

   数据立方体是根据不同的维度对数据进行汇总，立方体的越顶层，其汇总程度就越高，数据量就越少。

 

对数据的表示就越概化。最底层的方体对应于基本方体，基本方体对应于感兴趣的实体。

 

在数据立方体中存在着不同级别的汇总，数据立方体可以看做方体的格，每一个较高层次的抽象将进一步减少结果数据集。

 

数据立方体提供了对预计算的汇总数据的快速访问，原则是使用与给定任务相关的最小方体，并且在可能的情况下，对于汇总数据的查询应当使用数据立方体。

 

   B.维归约：用来检测或删除不相关的或基本不相关的属性或冗余属性或维，来减少数据量。

 

属性子集的选择：找出最小属性集，使得数据类的概念分布尽可能的接近使用所有属性的原分布，把不相关的属性全部删除。

 

可以减少出现在发现模式上的属性的数目，使得模式便于理解。

 

主要方法有：启发式的（探索式的try and error）方法，该方法包括逐步向前选择（从空属性集开始，每次选择都选择当前属性集中最符合的目标，

 

最好的属性，加到当前的属性集中，这样逐步的向前选择，把有用的属性一个一个的添加进来），

 

逐步向后删除（从属性全集开始，每次删除还在当前属性集中的最不适合的那个属性，最坏的属性，这样一个一个的删除，最后留下来的就是相关的属性），

 

向前选择和向后删除相结合（每次选择一个最好的属性，并且删除一个最坏的属性），判定归纳树

 

   C.数据压缩：使用一些编码机制来压缩数据集。无损压缩（可以根据压缩之后的数据完整的构造出压缩之前的数据wrar. zip等，如字符串压缩）

 

和有损压缩（无法通过压缩之后的数据来完整的构造出压缩之前的数据，如音频/视频压缩，有时可以在不解压缩整体数据的情况下，重构某个片段，主要应用于流媒体传输）。

 

两种有损数据压缩的方法：小波变换和主要成分分析

 

   D.数值归约：使用较小的，替代的数据来估计，替换，表示原数据（用参数模型）：通过选择替代的，较小的数据表示形式来减少数据量。

 

方法主要有：有参方法（使用一个参数模型来估计数据，最后只要存储参数即可，有线性回归方法，多元回归，对数线性模型（近似离散的多维数据概率分布））和

 

无参方法（直方图（将某属性的数据划分为不相交的子集或桶，桶中放置该值的出现频率，其中桶和属性值的划分规则有：等深，等宽，V-最优，MaxDiff），

 

聚类(将数据集划分为聚类，然后通过聚类来表示数据集，如果数据可以组成各种不同的聚类，则该技术非常有效，反之如果数据界线模糊，则该方法无效。

 

转载于:https://www.cnblogs.com/weishenhong/p/4910777.html