datapreprocess(数据预处理).ppt

  1. 1、本文档共29页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
datapreprocess(数据预处理),数据预处理,数据预处理方法,数据预处理的方法,数据预处理步骤,matlab数据预处理,spss数据预处理,浮动车数据预处理,数据挖掘数据预处理,数学建模数据预处理

数据预处理 为什么要预处理数据 与现实世界有关 数据库太大,信息多而杂 数据易受噪声数据、空缺数据和不一致性数据 的侵扰 数据预处理 提高数据质量,提高挖掘结果的质量 使挖掘过程更有效、更容易 如何预处理数据 一般的预处理方法 数据清理、数据集成和变换、数据归约 数据预处理 用于一些具体的web挖掘中的方法 使用预处理:数据净化、用户识别、会话识别、帧 页面识别、路径补缺、事务识别等 结构预处理:站点拓扑 内容预处理:页面信息抽取、信息主观兴趣特征定 义 数据预处理 一般的预处理方法 数据清理 原因:现实世界的数据一般是脏的、不完整和不一致的。 功能:填充空缺值、识别孤立点、消除噪声、纠正数据不一致。 具体实现: 空缺值 忽略元组 :除非元组有多个属性缺少值,否则该方法不是很有效。 数据预处理 人工填写空缺值:费时,数据集大时可能行不通 使用一个全局常量填充空缺值:如Unknow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 使用最有可能的值填充空缺值:利用回归、判定树归纳等方式确定 数据预处理 噪声数据 噪声是一个测量变量中的随机错误或偏差 噪声平滑技术: 分箱:例:原始数据为4,8,15,21,21,24,25,28,34 数据预处理 数据预处理 聚类:将类似的值组织成群或“聚类”,落在聚类集合外的点被视为孤立点 计算机和人工检查结合:计算机根据信息度量理论等进行初次筛选,将筛选结果交由人来复查 回归:通过让数据适合一个函数(如回归函数)来平滑数据 数据预处理 不一致数据 对于有些事务,所记录的数据可能存在不一致。有些数据不一致可以使用其他材料人工地更正。知识工程工具也可以用来检测违反限制的数据。例如,知道属性的函数依赖,可以查找违反函数依赖的值。 数据预处理 数据集成 功能:将来自不同数据源的数据整合成一致的数据存储。元数据、相关分析、数据冲突检测和语义异种性的解析都有助于数据集成。 问题和解决办法: 问题1:模式集成 来自多个信息源的现实世界的实体如何“匹配”?实体识别问题 数据预处理 例如:数据分析者或计算机如何才能确信一个数据库中的customer_id和另一个数据库中的cust_number指的是同一个实体? 解决方法:利用数据库的元数据 一种关于数据的数据。这种元数据可以帮助避免模式集成中的错误。 问题2:冗余 一个属性若能由另一个表导出,它便是冗余的。例如年薪。属性或维命名的不一致也可能导致数据集中的冗余。 解决方法:可利用相关分析的方法检测冗余。 除了检测属性间的冗余外,“重复”也当在元组级进行检测。 所谓重复是指对于同一数据,存在两个或多个相同的元组。 数据预处理 问题3:数据值冲突的检测和处理 对于现实世界的同一实体,来自不同数据源的属性值可能不同。这可能是因为表示、比例或编码的不同。例如重量属性可能在一个系统中以公制单位存放,而在另一个系统中以英制单位存放。 数据这种语义上的异种性,是数据集成的巨大挑战。 数据预处理 数据变换 将数据转换成适合挖掘的形式。 平滑:去掉数据中的噪声。这种技术包括分箱、聚类和回归。 聚集:对数据进行汇总和聚集。例如可以聚集日销售数据,计算年销售额。通常这一步用来为多粒度数据分析构造数据立方体。 数据预处理 数据概化:使用概念分层,用高层次的概念替换低层次的“原始”数据。如分类的属性street可以概化为较高层的概念,如city或country。 规范化:将属性数据按比例缩放,使之落入一个小的特定区间,如-1.0到1.0或0.0到1.0 最小最大规范化:对原始数据进行线形变换。假定属性A的最小和最大值分别为minA和maxA,计算 数据预处理 将A的值映射到区间[new_minA,new_maxA]中的v’ z-score规范化:属性A的值基于A的平均值和标准差规范化,计算 数据预处理 属性构造:由给定的属性构造和添加新的属性,以帮助提高精度和对高维数据结构的理解。例如,我们可能根据属性height和width添加属性area。通过组合属性,属性构造可以发现关于数据属性间联系的丢失信息,这对知识发现是有用的。 数据归约 对数据处理的技术,如数据立方体聚

文档评论(0)

mydoc + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档