《大数据技术与应用》第3章 大数据预处理.pptxVIP

第二章 大数据预处理技术;数据基础概念;;标称属性：一些符号或事物的名称。枚举的（enumeration）。例如，头发颜色：黑色，棕色，淡黄色等。 二元属性：一种标称属性，只有两个状态：0 或 1，其中 0 通常表示该属性不出现，1 表示出现。 对称的二元属性：两种状态具有同等价值，并且携带相同权重。例如，男女 非对称的二元属性：两种状态的结果不是同等重要的，例如，HIV 患者和非 HIV 患者 序数属性：属性对应的可能的值之间具有有意义的序或秩评定（ranking），但是相继值之间的差是未知的。例如，饮料杯的大小：（小、中、大） 数值属性：数值属性是定量的，是一种可度量的量，用整数或实数表示 区间标度：属性用相等的单位尺度度量。区间属性的值有序。 比例标度：比率标度属性的度量是比率的，可以用比率来描述两个值，即一个值是另一个值的倍数，也可以计算值之间的差。例如，货币量属性（例如 100 元是 1 元的 100 倍） ; 机器学习： 1. 离散属性：具有有限个或无限个可数个值，可以用或不用整数表示。 2. 连续属性：如果属性不是离散的，则它是连续的。;中心趋势度量：;中心趋势度量：均值;中心趋势度量：中位数;中心趋势度量：众数;度量数据散布：极差、分位数、方差和标准差;1. 欧氏距离（Euclidean Distance）：;4. 闵可夫斯基距离(Minkowski Distance)：;7. 夹角余弦(Cosine)：;9.杰卡德相似系数(Jaccard similarity coefficient)：相似性;11.相关系数?( Correlation coefficient )：相似性;;评估数据质量的参数指标包括： 准确性 完整性 一致性;数据清洗 包括填补存在遗漏的数据值、平滑有噪音的数据、识别和除去异常值,并且解决数据不一致等问题。 数据集成 指将多个不同数据源的数据合并在一起,形成一致的数据存储。 数据归约 在尽可能保持数据原貌的前提下,最大限度地精简数据量,并保证数据归约前后的数据挖掘结果相同或几乎相同。 数据变换 指将数据库转换成适合挖掘的形式,通常包括平滑处理、聚集处理、数据泛化处理、规范化、属性构造等方式。;;包括填补存在遗漏的数据值、平滑有噪音的数据、识别和除去异常值,并且解决数据不一致等问题。 缺失值处理 光滑噪声数据处理 检测偏差与纠正偏差;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（事务操作都会被日志文件记载，每次修改操作需要查找日志） 空缺值要经过推断而补上，否则算法中断报错;直接忽略掉空缺值的整个属性或元组：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，其效果非常差。 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（基于数学算法）：使用像Bayesian公式或判定树等的基于模型推断的方法;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 数据收集工具不够精确引起的问题 数据输入错误 数据传输错误（通信协议问题） 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（引起冗余） 不完整的数据 不一致的数据;分箱(binning): 首先排序数据，并将其分到等深箱中（容放相等个数数据） 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，从而达到平滑噪声的目的 聚类： 监测并且去除孤立点 计算机和人工检查结合 计算机检测可疑数据，然后对其进行人工判断（工作量大） 回归： 通过让数据适应回归函数来平滑数据;1 首先对数据进行排序：price的排序后数据（单位：美元）：4，8，15，21，21，24，25，28，34 2 划分为（等深的）箱： 箱1：4，8，15 箱2：21，21，24 箱3：25，28，34 3.1 用箱平均值平滑： 箱1：9，9，9 箱2：22，22，22 箱3：29，29，29 4.2 用箱边界平滑（以左边界为例）： 箱1：4，4，15 箱2：21，21，24 箱3：25，25，34;数据清洗 ;回归去噪一般是将Y1调整到Y1’，不是删除;（1）检测偏差。 考察数据规则： 唯一性规则：给定属性的每个值都必须不同于该属性的其他值。 连续性规则：属性的最高值和最低值之间没有缺失值。 空 值 规 则：空白、问号、特殊符号或指示空值条件的字符串以及如