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.pptVIP

数据预处理 主要内容 为什么要预处理数据？ 数据清理 数据集成和变换 数据归约 为什么要预处理数据？ 现实世界的数据是“肮脏的” 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 含噪声的：包含错误或者“孤立点” 不一致的：在编码或者命名上存在差异 没有高质量的数据，就没有高质量的挖掘结果 高质量的决策必须依赖高质量的数据 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 一个广为认可的多维度量观点： 精确度 完整度 一致性 合乎时机 可信度 附加价值 可访问性 跟数据本身的含义相关的 内在的、上下文的、表象的 数据预处理的主要任务 数据清理 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 数据集成 集成多个数据库、数据立方体或文件 数据变换 规范化和聚集 数据归约 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 数据离散化 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 数据预处理的形式 在大型数据库中挖掘描述统计计量 对于数据挖掘任务，用户经常关心的数据特征包括数据的中心趋势和离散特征 中心趋势的度量包括：mean, median, mode 和 midrange 数据离散度量包括：quartiles, outliers, variance 和其他度量 关系数据库中，系统提供了以下聚集函数：count , sum , avg , max , min 在大型数据库中挖掘用户感兴趣的描述统计计量涉及到如何利用关系数据库现有的函数来计算上述两类用户感兴趣的度量值 度量中心趋势 算术平均值 加权算术平均 中位值：使用一个近似的计算来度量 如果值的个数n是奇数，则中位数 median 是有序集合的中间值，否则它是中间两个数的平均值 用插值法 interpolation 来近似计算 模 mode 表示数据集中出现频率最高的值 单模态、双模态、三模态、多模态和没有模的情况 单模态近似值计算的经验公式: 中列数：最大值和最小值的平均 度量数据的离散度 （1） 最常用度量：五数概括（基于四分位数）、中间四分位数区间和标准差 四分位数、孤立点和盒图 百分位数 percentile ：第k个百分位数是具有如下性质的值x：数据项的k%在x上或低于x 四分位数：Q1 25th percentile , Q3 75th percentile 中间四分位数区间 IQR ： IQR Q3 – Q1 对倾斜分布的描述，除了IQR还常需两个四分位数Q1和Q3，以及中位数M，一个识别孤立点的常用规则是：挑出落在至少高于第三个四分位数或低于第一个四分位数 1.5×IQR处的值 度量数据的离散度 （2） 五数概括: min, Q1, M, Q3, max 盒图：数据分布的一种直观表示。 方差和标准差 方差s2：n个观测之x1,x2...xn的方差是 标准差s是方差s2的平方根 s是关于平均值的离散的度量，因此仅当选平均值做中心度量时使用 所有观测值相同则 s＝0，否则 s 0 方差和标准差都是代数度量 盒图——示例 在盒图中： 端点在四分位数上，使得盒图的长度是IQR 中位数M用盒内的线标记 胡须延伸到最大最小观测值 该盒图为在给定时间段在AllElectronics的4个分店销售的商品单价的盒图 分店1 中位数$80 Q1: $60 Q3: $100 使用盒图的数据离散的可视化描述 基本统计类描述的图形显示——直方图 常用的显示数据汇总和分布的方法： 直方图、分位数图、q-q图、散布图和局部回归曲线 直方图 一种单变量图形方法 由一组矩形组成，这些矩形反映类在给定数据中出现的技术或频率 数据清理 空缺值 噪声数据 空缺值 数据并不总是完整的 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 引起空缺值的原因 设备异常 与其他已有数据不一致而被删除 因为误解而没有被输入的数据 在输入时，有些数据因为得不到重视而没有被输入 对数据的改变没有进行日志记载 空缺值要经过推断而补上 如何处理空缺值 忽略元组：当类标号缺少时通常这么做（假定挖掘任务设计分类或描述），当每个属性缺少值的百分比变化很大时，它的效果非常差。 人工填写空缺值：工作量大，可行性低 使用一个全局变量填充空缺值：比如使用unknown或-∞ 使用属性的平均值填充空缺值 使用与给定元组属同一类的所有样本的平均值 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 噪声：一个测量变量中的随机错误或偏差 引起不正确属性值的原因 数据收集工具的问题 数据输入错误 数据传输错误 技术限制 命名规则的不一致 其它需要数据清理的数据问题 重复记录