QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 2623|回复: 4
打印 上一主题 下一主题

数据挖掘中的数据预处理方法总结

[复制链接]
字体大小: 正常 放大
浅夏110 实名认证       

542

主题

15

听众

1万

积分

  • TA的每日心情
    开心
    2020-11-14 17:15
  • 签到天数: 74 天

    [LV.6]常住居民II

    邮箱绑定达人

    群组2019美赛冲刺课程

    群组站长地区赛培训

    群组2019考研数学 桃子老师

    群组2018教师培训(呼伦贝

    群组2019考研数学 站长系列

    跳转到指定楼层
    1#
    发表于 2020-5-19 09:40 |只看该作者 |倒序浏览
    |招呼Ta 关注Ta |邮箱已经成功绑定
    1.原始数据存在的几个问题:不一致;重复;含噪声;维度高。
    ; }5 f7 X+ [8 ?  j2 j; y" K
    7 l! j1 r% B$ }" |+ K/ K2.数据预处理包含数据清洗、数据集成、数据变换和数据归约几种方法。* [; p6 [+ z2 ^$ m, R  V6 F* N9 O2 [

    4 L, ?9 @1 b, A! z$ {# M& u3.数据挖掘中使用的数据的原则
    4 G" }' s2 `. X6 W+ s- b" T8 C5 j6 i! Q4 G4 H9 T! i) Y
    应该是从原始数据中选取合适的属性作为数据挖掘属性,这个选取过程应参考的原则是:尽可能赋予属性名和属性值明确的含义;统一多数据源的属性值编码;去除惟一属性;去除重复性;去除可忽略字段;合理选择关联字段。- P  `+ \$ Z8 `% I. X/ ^
    8 r0 e' o6 N# E' I5 Y4 c1 _$ G
    4.处理空缺值的方法:忽略该记录;去掉属性;手工填写空缺值;使用默认值;使用属性平均值;使用同类样本平均值;预测最可能的值。# q& G8 O) z( G3 w
    8 v$ ^3 Q  z8 U6 ~% G- E
    5.噪声数据的处理方法:分箱;聚类;计算机和人工检查结合;回归
    " e+ S! E. U8 h5 o5 E( _# {' J1 m
    6 Q, K) ?6 U$ u1 i6.分箱:分箱方法是一种简单常用的预处理方法,通过考察相邻数据来确定最终值。所谓“分箱”,实际上就是按照属性值划分的子区间,如果一个属性值处于某个子区间范围内,就称把该属性值放进这个子区间所代表的“箱子”内。把待处理的数据(某列属性值)按照一定的规则放进一些箱子中,考察每一个箱子中的数据,采用某种方法分别对各个箱子中的数据进行处理。在采用分箱技术时,需要确定的两个主要问题就是:如何分箱以及如何对每个箱子中的数据进行平滑处理。
    ( Q) a7 {3 R( x, E/ `7 {# K2 }  q4 N6 o
    分箱的方法:有4种:等深分箱法、等宽分箱法、最小熵法和用户自定义区间法。
    - X8 Z% Y: }% j3 ^( y; p9 S! M2 Z! k+ Q! y0 |
    统一权重,也成等深分箱法,将数据集按记录行数分箱,每箱具有相同的记录数,每箱记录数称为箱子的深度。这是最简单的一种分箱方法。
    ) y, D1 o/ s/ T1 U( k0 b
    6 n% m. {7 i6 |统一区间,也称等宽分箱法,使数据集在整个属性值的区间上平均分布,即每个箱的区间范围是一个常量,称为箱子宽度。7 {+ ^% F$ e3 s9 X2 [0 w: S
    " U/ @/ }: J, E* Q
    用户自定义区间,用户可以根据需要自定义区间,当用户明确希望观察某些区间范围内的数据分布时,使用这种方法可以方便地帮助用户达到目的。% M# `, Y3 l! }# \: O" O

    + p  c7 K5 o7 e, L1 E例:客户收入属性income排序后的值(人民币元):800 1000 1200 1500  1500 1800 2000 2300 2500 2800 3000 3500 4000 4500 4800 5000,分箱的结果如下。
    7 n  j: y! \9 e9 @7 L+ I
    9 U& Q  B- V/ h- r: M6 z统一权重:设定权重(箱子深度)为4,分箱后+ Q, P6 J, _. B. }
    * L& e  p9 e& |0 X- B& a" I
    箱1:800 1000 1200 1500
    * [- }; j+ ?# j1 ^( M" @2 @* T7 `" I* L: f% C% R* q. k
    箱2:1500 1800 2000 2300
    " C. q9 {0 O* Z2 A2 Q( D+ }) G5 _1 `( f8 c: Z+ s) Z4 k
    箱3:2500 2800 3000 3500
    : J1 Q$ O) e  ~' ]9 b) o9 _: U! ^
    / ]3 r( p( f2 t8 Z# W箱4:4000 4500 4800 5000   # E3 V8 [# p' U6 H. N9 Y5 k

    , ]" d2 m4 i- \+ \8 ]统一区间:设定区间范围(箱子宽度)为1000元人民币,分箱后+ J7 h9 ?% ~9 q1 [! y

    , X1 e+ L$ e( i3 U箱1:800 1000 1200 1500 1500 1800, c! C3 L8 R; W3 H! e- J% S9 r

    & p0 F7 `- m' z7 L' C箱2:2000 2300 2500 2800 30005 i- A5 M* s8 ~) X
    0 R0 r; u! h! W. ~
    箱3:3500 4000 45005 M' u6 i# Y" F6 A( Z! r( q, n
    , r. x8 f; K# B6 h
    箱4:4800 5000
    + `  @1 X  n6 w9 O( m
    2 Q. @$ D5 V+ W用户自定义:如将客户收入划分为1000元以下、1000~2000、2000~3000、3000~4000和4000元以上几组,分箱后
    1 S" n) n) _* Z. [/ |3 F0 J" X" W5 Z/ _
    箱1:800
    . _8 ?% [$ i: c, p! z' |6 x0 z
    . o) r" q8 C8 `8 X箱2:1000 1200 1500 1500 1800 2000
    & n+ v, s, l9 P5 n
    3 Q/ n$ g& L2 ]4 h# N箱3:2300 2500 2800 3000  9 V6 I5 M5 w) ~1 `6 B

    6 Q4 C6 o* K7 s7 Z& z0 s) o箱4:3500 4000
    - Z# z1 U* z1 [5 `' L9 d' L( h' g8 e/ }' h: l4 h2 a5 t1 X
    箱5:4500 4800 5000 ) H$ G) u1 z: @+ s! x0 u; z! q

    ( ]$ n5 \- y$ J/ i7.数据平滑方法:按平均值平滑、按边界值平滑和按中值平滑。. j- C# j+ P3 c. z" g/ v/ B

    5 Y. u/ [3 `& f5 D⑴按平均值平滑   m# \; k1 a! B$ D6 L/ u
    * t8 N2 T8 l, D& e9 n
    对同一箱值中的数据求平均值,用平均值替代该箱子中的所有数据。
    " e+ x2 `- I) k, z" D3 W! B$ ^' Y/ S0 Y0 t5 k) M
    ⑵按边界值平滑 ' x# l$ ^$ S3 g) a$ s6 t! T% _
    ! l. A# Q) `. t1 O8 j( N" x
    用距离较小的边界值替代箱中每一数据。 / M% ?2 p# U2 p9 p+ E" J

    " I& [; a9 d# G$ F- O# U& v⑶按中值平滑
    3 M& a0 d  d* L/ y5 r" C7 i: `# x8 q1 e2 J
    取箱子的中值,用来替代箱子中的所有数据。 . q! |5 X9 y3 ]4 j7 N: v

    7 V, t3 a9 I2 w) ~+ v3 P1 y% u0 w/ y1 X8.聚类:将物理的或抽象对象的集合分组为由类似的对象组成的多个类。
    ( V% C: [, y- m; S% D0 f  K# |) f9 Q" k* W% r; @+ R; R; ~
    找出并清除那些落在簇之外的值(孤立点),这些孤立点被视为噪声。
    ; T. P( C2 N* G5 j6 f% e& B# R! e+ [
    9.回归;试图发现两个相关的变量之间的变化模式,通过使数据适合一个函数来平滑数据,即通过建立数学模型来预测下一个数值,包括线性回归和非线性回归。   
    7 x% U0 W( Y, G# n* [
    ) k, w7 b" \, G( Y' G2 Q10.数据集成:将多文件或者多数据库中的异构数据进行合并,然后存放在一个一致的数据存储中。考虑以下几个问题: 1.模式匹配2.数据冗余3.数据值冲突
    # \' u) \; e. ]6 M( \( l+ U9 Z) Z+ N$ j
    11. 数据变换:1.平滑2.聚集3.数据概化4.规范化(1)最小-最大规范化(2)零-均值规范化(3)小数定标规范化5.属性构造+ V" l+ i) k' f1 m

    4 F3 g& c4 ~5 q9 Y0 L12.数据集成:将多文件或者多数据库中的异构数据进行合并,然后存放在一个一致的数据存储中。考虑以下几个问题: 1.模式匹配2.数据冗余3.数据值冲突 : \/ T  Q  Y( {; h( k, r" m1 U

    " k: o) J7 t6 W$ L. x8 u13.数据归约:目的是为了获得比原始数据小的多的,但不破坏数据完整性的挖掘数据集,该数据集可以得到与原始数据相同的挖掘结果。 ( h: F! a/ y  S& k

    9 k5 u. l) K& ^' T0 j数据归约的方法: 1.数据立方体聚集:把聚集的方法用于数据立方体。2.维归约:检测并删除不相关、弱相关或冗余属性。3.数据压缩:选择正确的编码压缩数据集。4.数值压缩:用较小的数据表示数据,或采用较短的数据单位,或者用数据模型代表数据。5.离散化和概念分层生成:使连续的数据离散化,用确定的有限个区段值代替原始值;概念分层是指用较高层次的概念替换低层次的概念,以此来减少取值个数。$ i/ ]$ ^3 h8 r3 ~0 W

    , M, F5 {" s# F. _+ @+ W14.数据立方体聚集 :是数据的多维建模和表示,由维和事实组成。 7 l% C: M9 [7 ]% C: |9 |
    ) d) p5 f8 ^( V- R
    维归约:去掉不相关的属性,减少数据挖掘处理的数据量。 ) R0 f; [0 [$ b
    , h  ~. p8 V3 D, s( S
    属性子集选择的基本方法包括以下几种: 1.逐步向前选择2.逐步向后删除3.向前选择和向后删除结合4.判定树归纳5.基于统计分析的归约   
    # R( t2 ?/ K  V  O1 P# x: U$ _6 A
    5 R+ O5 d+ H# I1 _9 E数据压缩:方法分为两类:无损压缩和有损压缩: f0 V9 u# l9 e7 @% _; ], U

    ) X7 _2 P, G/ d数值归约常用的方法: 1.直方图2.聚类3.抽样:不放回简单随机抽样、放回简单随机抽样、聚类抽样和分层抽样4.线性回归5.非线性回归     & E8 X" h0 u5 w
    - o% }/ L# m' Y3 C6 a
    15.数据变换涉及以下几个方面:1.平滑2.聚集3.数据概化4.规范化(1)最小-最大规范化(2)零-均值规范化(3)小数定标规范化5.属性构造# j- w* V+ Z- J: A
    . f. V$ W" b( g6 s, i% l; f4 v
    *规范化:(1)最小—最大规范化。原取值区间 [old_min,old_max],规范化后的新的取值区间[new_min,new_max]。
    - S9 T2 }1 {2 F& |  c2 h: ?
    5 }9 C) Q5 G' b1 S2 Gx’=  其中:x是属性的真实值,x’是规范化后的值。
    5 q0 K  M/ p7 T" T4 F4 Y: U* _( M% o7 Y
    例如:“客户背景数据”表中的客户月收入income属性的实际值范围为[12000,98000],要把这个属性值规范到[0,1],对属性值73600应用上述公式:' m1 w6 M% j& d: P$ B4 H2 m
    + _: N+ X- [2 g' x$ F; y% _
    x’=(1.0-0)+0=0.716
    " E8 B7 a0 A- h' R3 l
    3 N: e9 v, \1 F( V3 d0 ]根据精度要求保留小数(假设精度要求0.01),最终取值0.72就是属性值73600规范化后的值。
    ( |1 y& |. _- a  k; o& t1 r* t7 Y  K9 u; Z/ _
    (2)零—均值规范化(z—score规范化),是根据属性值的平均值和标准差进行规范化,即:
    . c) K' K( l7 b3 \0 ~  S% C) Z) ]5 d& K) B& _3 q$ ~) V0 y% o
    x’=   =  =    为所有样本属性值的平均值,为样本的标准差。当属性值范围未知的时候,可以使用此方法进行规范化。4 c2 {  ^7 C( G

    : p5 l% f- Y+ N' Y# q, _- _" b    例:假设某属性的平均值和标准差分别为80、25,采用零-均值规范化66为:x’==-0.56
    - X: I$ g. U9 a7 M+ p6 H$ {" H
    , o! o; _) E+ ^" v) }* s3 x(3)小数定标规范化:通过移动属性A的小数点位置进行规范化 。7 K6 Z" y; O: e. h$ R. d0 l4 D
    . ~$ ]; {% K) Z1 W
    x’= 为满足式<1的最小整数。
    6 L$ }7 }8 W0 w9 S- {  x
    , I, q2 I% [% O5 q例:假设某属性规范化前的取值范围为[-120,110],采用小数定标规范化66。由于该属性的最大绝对值为120,则由<1可得出=3,因此,66规范化后为:x’==0.066
    4 A7 U+ {6 Y( l————————————————
    7 l" u" t9 |5 F0 P* [% f  o版权声明:本文为CSDN博主「搬砖老头」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
    8 w1 S9 B3 V2 b/ z4 L8 b! x原文链接:https://blog.csdn.net/wang1127248268/article/details/535719563 D- Y2 n3 D+ s" a

    6 r& H& z. x, G5 n* T+ P: }" `" R) y& J3 v9 m; \; u$ R: b6 B
    zan
    转播转播0 分享淘帖0 分享分享0 收藏收藏2 支持支持0 反对反对0 微信微信

    1

    主题

    3

    听众

    169

    积分

    升级  34.5%

  • TA的每日心情
    擦汗
    2023-9-25 13:50
  • 签到天数: 67 天

    [LV.6]常住居民II

    国际赛参赛者

    网络挑战赛参赛者

    自我介绍
    热爱数学建模
    回复

    使用道具 举报

    德古拉        

    2

    主题

    4

    听众

    165

    积分

    升级  32.5%

  • TA的每日心情
    奋斗
    2025-12-3 23:13
  • 签到天数: 127 天

    [LV.7]常住居民III

    国际赛参赛者

    自我介绍
    嘶嘶。。。
    回复

    使用道具 举报

    浅夏110 实名认证       

    542

    主题

    15

    听众

    1万

    积分

  • TA的每日心情
    开心
    2020-11-14 17:15
  • 签到天数: 74 天

    [LV.6]常住居民II

    邮箱绑定达人

    群组2019美赛冲刺课程

    群组站长地区赛培训

    群组2019考研数学 桃子老师

    群组2018教师培训(呼伦贝

    群组2019考研数学 站长系列

    huangyanzuo 发表于 2020-5-19 12:06
    $ }! [# {) w( z& d" I% @棒!棒!棒!棒!棒!棒!棒!棒!
    , y6 A+ c# `/ l( ~; u4 b9 E: X6 g

    ; I: ^% d- i) A0 u0 ~: D, p' t
    回复

    使用道具 举报

    浅夏110 实名认证       

    542

    主题

    15

    听众

    1万

    积分

  • TA的每日心情
    开心
    2020-11-14 17:15
  • 签到天数: 74 天

    [LV.6]常住居民II

    邮箱绑定达人

    群组2019美赛冲刺课程

    群组站长地区赛培训

    群组2019考研数学 桃子老师

    群组2018教师培训(呼伦贝

    群组2019考研数学 站长系列

    回复

    使用道具 举报

    您需要登录后才可以回帖 登录 | 注册地址

    qq
    收缩
    • 电话咨询

    • 04714969085
    fastpost

    关于我们| 联系我们| 诚征英才| 对外合作| 产品服务| QQ

    手机版|Archiver| |繁體中文 手机客户端  

    蒙公网安备 15010502000194号

    Powered by Discuz! X2.5   © 2001-2013 数学建模网-数学中国 ( 蒙ICP备14002410号-3 蒙BBS备-0002号 )     论坛法律顾问:王兆丰

    GMT+8, 2026-7-25 00:56 , Processed in 0.467543 second(s), 72 queries .

    回顶部