数据挖掘数据预处理.pdfVIP

数据预处理

数据挖掘数据预处理

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

数据挖掘数据预处理

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

数据挖掘数据预处理

数据预处理的主要任务

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

数据挖掘数据预处理

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

n空缺值要经过推断而补上

数据挖掘数据预处理

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

数据挖掘数据预处理

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

数据挖掘数据预处理

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

数据挖掘数据预处理

数据平滑的分箱方法

nprice的排序后数据（单位：美元）：4，8，15，21，21，24，25，

28，34

n划分为（等深的）箱：

q箱1：4，8，15

q箱2：21，21，24

q箱3：25，28，34

n用箱平均值平滑：

q箱1：9，9，9

q箱2：22，22，22

q箱3：29，29，29

n用箱边界平滑：

q箱1：4，4，15

q箱2：21，21，24