数据挖掘与知识发现-李雄飞-教学课件11.pptVIP

第11章 数据预处理与可视化技术 《数据挖掘与知识发现》(第2版) 吉林大学计算机科学与技术学院 李雄飞 数据预处理与可视化技术 数据预处理是数据分析、数据挖掘等工作的前期准备，用以确定数据挖掘的类型，提高挖掘质量。融合数据挖掘和数据可视化两个学科，可以用直观、有效的方式来解释和评估挖掘对象、挖掘任务以及挖掘结果。本章介绍如下几个方面的内容： 数据清理 数据集成与转换 数据归约与浓缩 概念分层 过程可视化 数据可视化 结果可视化 数据清理 数据清理（Data Cleaning）能够填补空缺数据，平滑噪声，发现孤立点，纠正不一致的数据，进而改善数据质量，提高数据挖掘的精度和性能。 一、 填补空缺值 海量数据集中可能会“遗漏”某些数据，要分析这种不完整的数据，就必须通过推导来填充这些空缺值。 必须权衡估计数据带来的风险和数据空缺造成的误解。 缺省值处理方法： 1. 忽略元组：如果一个元组中空缺值的属性较多，可以忽略这个元组。 2. 人工填写空缺值：这种方法很费时。 3. 用全局常量填充空缺值：用同一个常数（如“Unknown”或-∞）替换空缺的属性值。 4. 用属性的平均值填充空缺值 5. 用同类样本的平均值填补空缺值 6. 用最可能的值填充空缺值：用回归分析或决策树归纳等方法确定最有可能的值。 7. 用最近邻方法填补空缺值 数据清理 二、消除噪声数据 噪声（Noise）是测量中的随机错误或偏差。 几种常用方法： 1. 分箱（Binning）：通过考察“邻居”（即周围的值）来平滑存储的数据值。它将存储的值分布到一些箱中，可按均值、中位数等平滑。分箱方法只参考相邻的值，是对数据的局部平滑。 一般来说，宽度越大，平滑效果越好。箱也可以是等宽的，每个箱的取值区间是一个常量。 数据清理 2. 聚类（Clustering）：通过聚类形成一些簇，落在簇之外的对象按关注程度划分，如果关注该对象就称为孤立点，否则视为噪声。所以聚类可以发现噪声。 3. 计算机与人工检查结合：计算机将差异程度大于阈值的模式记录到一个表中，通过审查表中的模式可以识别真正的噪声。 4. 回归（Regression）：用由数据拟合的函数（如回归函数）来平滑数据。 三、实现数据一致性 对于数据集中存在的不一致数据，可以参照其他资料（如纸上的记录）人工地加以更正，还可以使用用来纠正编码不一致问题的程序，也可以用知识工程工具来检测不符合条件约束的数据。 数据集成与转换 海量数据集往往涉及多个数据源，因此，在数据挖掘之前需要合并这些数据源存储的数据。 如果原始数据的形式不适合数据挖掘算法需要，就要进行数据变换。 一、数据集成 数据挖掘对象可能来自多个数据源，包括不同形式的数据库、数据立方体或一般文本文件等。数据集成是将这些数据源中的数据集中存放在一个统一的数据存储（如数据仓库）中。 通用标识符问题 隔离，保证为实体的每次出现指派一个唯一标识符； 调和，确认相同的实体并将该实体的各次出现合并在一起。 冗余问题。（冗余属性和冗余元组） 不一致的属性或伪命名也可能导致数据冗余。利用相关分析可以发现一些冗余问题。 将多个数据源中的数据集成起来，能够减少或避免数据的冗余和不一致性，这将有助于提高数据挖掘的精度和效率。 数据集成与转换 二、数据转换 目的是使数据和将来要建立的模型拟合得更好，形成适合挖掘的形式。 数据转换主要涉及如下内容： 1. 平滑：去掉数据中的噪声。 2. 聚集：对数据进行汇总和聚集。为多粒度数据分析构建数据立方体。 3. 数据概化：使用概念分层，用高层次概念替换低层次“原始”数据。 4. 属性构造：构造新属性并将其添加到属性集中有助于数据挖掘过程。 5. 规范化：通过将属性数据按比例缩放，使之落入一个小的特定区间（如0.0～1.0）来规范属性。 (1) 最小-最大规范化 设 minA 和maxA 分别为属性A的最小和最大值。 （11.1） 将A的值ν映射到区间[new_minA, new_maxA ]中的ν。 最小-最大规范化对原始数据进行线性变换，保持原始数据值之间的线性关系。 数据集成与转换 (2) z-score规范化（零-均值规范化） 把属性A的值ν基于A的均值和标准差规范化为ν‘。