在线时间 791 小时 最后登录 2022-11-28 注册时间 2017-6-12 听众数 15 收听数 0 能力 120 分 体力 36349 点 威望 11 点 阅读权限 255 积分 13865 相册 0 日志 0 记录 1 帖子 616 主题 542 精华 12 分享 0 好友 225
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
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
1.原始数据存在的几个问题:不一致;重复;含噪声;维度高。3 [) H$ J* B& J$ z- i
. f+ i- @% @! D _1 _6 j6 [) H
2.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。$ F. k* X/ A8 O1 w
8 Q+ ]9 l2 L, j: d. Z6 [* H9 i
3.数据挖掘中使用的数据的原则
2 I; I& O5 d; `# R 2 q6 z, l6 [8 E2 G0 C; x! u' \
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。
; @3 C8 w) B3 M& {: Z' D , ^6 s5 V0 {6 L0 [9 F% q- _
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。0 N. O9 _% [# p$ Q3 A. M
6 v( D& S3 O8 T( p4 F- |& Z
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' o9 W/ d' O6 \0 p) L* H, [
' A8 o2 U# M; [
6.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。" C* O* G* ]% F
4 k* M1 l5 I) o6 f5 L
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。. J$ }; M' Q+ b; v( e2 M
9 K$ ^9 K! L1 c, N+ |- ^ 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。
$ d) S/ V: S7 {5 C
$ r; K6 V2 k6 X) x+ y$ y4 Q 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。
' s0 [. N% {- C8 g/ V
0 e( H$ W2 b3 ?+ ?1 b 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。6 g$ I2 D& q; h0 a2 `2 v
% {" J5 f5 p+ m1 n; M% c' v
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。
8 N" {7 r, j% h6 ]/ A0 z5 @ r
2 {0 g3 @. J/ c! ^0 h4 e5 z 统一权重:设定权重(箱子深度)为4,分箱后9 p6 Q7 T/ X k7 g# e
, N, ~* M" H- Y' K
箱1:800 1000 1200 1500# i6 _( v& q( {* ^$ U" K6 i0 R
7 T4 }. @' ^) v 箱2:1500 1800 2000 2300 ( h& ^5 l. N! n1 Q( s7 T; c
! t2 K" w. a2 Z4 ?- _6 ? 箱3:2500 2800 3000 3500
5 \. L: p0 W# \9 z2 ]9 X9 I 8 a- ^% F, {7 q2 t- o% P6 X
箱4:4000 4500 4800 5000 : @5 A( Q3 o; b' p# S% Q( a+ U
0 k* J, @& ]6 {% b/ W j 统一区间:设定区间范围(箱子宽度)为1000元人民币,分箱后
5 i4 n+ ~* |" L% v) r) N8 H& ? 2 v' v8 `! c: z" L: }/ C: U
箱1:800 1000 1200 1500 1500 1800- ^ S. _: d9 o: t
' I. F3 A" `( w/ O3 R' V% @ 箱2:2000 2300 2500 2800 3000' \* f! [3 W5 J1 W6 ~. \; O% P0 k
! O* `7 U' o" {8 W4 q9 b) e
箱3:3500 4000 4500* r' A% \8 g( g9 h
2 a' V1 b0 Z5 c5 y# Y. ~- ^
箱4:4800 5000
0 `, `+ @/ y5 C$ O, j ; ?1 A. T& j6 D1 z- h
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+ S! P; ` R; f1 X1 p- ]8 z8 Y
" I$ y( Z2 ^5 V% _8 [ 箱1:800 , i! W; N2 ] N) y
1 |+ x5 E o |" j& w/ l 箱2:1000 1200 1500 1500 1800 2000 2 X& s) `, v' W' Y" l _, `7 c3 m
/ N# Y) Y, } M. J' n B& _ 箱3:2300 2500 2800 3000
% f( h# l; T. r3 V: m- P
' G) a1 p: P q 箱4:3500 4000
# n4 d- Z7 [9 P- a, H, c
0 r; C9 S" g& }0 J) l 箱5:4500 4800 5000
9 `' q& P0 `; d6 Y # @5 J, I& w2 b3 k9 k+ O$ L
7.数据平滑方法:按平均值平滑、按边界值平滑和按中值平滑。
9 C. p4 C6 k" K: }$ Y' ~ * T- p$ W. V! i0 R. J) y9 A3 o) i \
⑴按平均值平滑
/ K1 g1 n, Z4 @$ a J
$ [6 o9 N* F7 ?& @, d/ \ 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。
9 v+ t- M+ s3 U; u$ U7 f! X * d8 K- r+ b" J( Q- @2 o, g. N) i
⑵按边界值平滑
5 ^0 V1 P: l* u$ A/ ]/ v. \5 g ' h% ^1 C0 b$ g& q3 o. P
用距离较小的边界值替代箱中每一数据。
! d3 F$ Y7 ]1 l* c$ X' Y2 z# r# g
' ^5 L" `, c$ M, A ⑶按中值平滑
5 @ I: P: a( q* M) `% l* C. U5 H
0 C6 B4 _2 |. i I$ U! G 取箱子的中值,用来替代箱子中的所有数据。 & d3 y6 x& O' F; ~2 ^. ^+ k
/ e o) R9 N5 u3 y& G4 H 8.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。
, a- h( q% g% l! N% J( o
! A6 k3 W% D: c% I 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。
$ \# p- t" p. E" H8 N6 r
+ r8 U, @: y7 C4 R 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。 # d2 G- M) v0 ~" {
. a0 _$ g* X5 Y+ ~" o; k 10.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 ' o( I3 \3 g2 ?* Z' D5 L
% h1 \2 n' S1 F1 l
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
, P3 ?' g. B, b. o" j' w
1 T) H" g7 B; X" F- [ 12.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
9 ^ f* _. V, b; ^3 @" W/ n" Z& `
' Y" d2 \1 g% C% F: ]3 q5 O* n; ~" T+ ~ 13.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。 ; l4 G$ p5 p2 {. Z2 i$ W' D+ p
& N# i4 k" h0 a0 r5 K
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。
$ f; ~/ Z: D+ X+ w* g# l
' [& k/ v' l( j8 O4 u* c 14.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。
' n0 O; U5 K$ L6 {1 g- e: d( ? . w5 F6 i, R4 I! S; k# W- H. h
维归约:去掉不相关的属性,减少数据挖掘处理的数据量。
/ t# J$ i/ _/ Q4 ?$ d% l: L- x 1 m( Q* y! f- o5 w% |1 M7 {
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 ' d( L4 \6 e W: m+ A7 V9 i
) _3 g3 [+ c$ L" r2 C+ p, t
数据压缩:方法分为两类:无损压缩和有损压缩
9 @$ e/ b& x% L( R' F% t ) S& U; b5 v' l$ z" @# C
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
' B5 a; M9 J: N) o: I
! u9 c) `9 W" p* 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
/ [# I8 r! x6 _. ?; R3 ^7 t
/ M# N: t3 n1 v7 c8 x/ l# h *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]。
' g) X, e/ f) e* r4 T. {
: c! m* i$ g, u9 p! v( U- p x’= 其中:x是属性的真实值,x’是规范化后的值。+ ?8 u8 Z9 m* h9 w$ ` d
8 W$ b W" I& w1 V7 h0 P
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:: t" ^+ p6 {( l! v+ [5 L
6 W( \/ ~9 t. ] x’=(1.0-0)+0=0.716; J( s4 g. W h" E0 `
6 F6 W G9 B& Z$ w
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。
. b- ^8 }6 G$ [2 u
- X" m" {' \' }. F (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:9 V7 s/ ^8 F' m0 d' @. B" x; l! B9 I3 B
1 G& E$ P- L& K' G( k 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。8 W% j* M: Q- h4 E
2 N; m% X) }/ ~4 {# Z
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
9 w0 R/ D+ Q% C8 e" D6 V
; W; H' l4 s/ }- | (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 。
" I, D3 U& R5 Q# I' n ( C3 U0 P+ j( ~8 {4 _
x’= 为满足式<1的最小整数。$ l% `7 L7 Q' o; T5 t
7 q9 R) y( n) f6 x/ v
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! a- Y- K$ l4 t5 y% C( {
————————————————
" l7 E8 u6 |2 q5 j+ K 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。
& M: L0 }: _" s: h& k$ M- G, l6 p 原文链接:https://blog.csdn.net/wang1127248268/article/details/53571956# }! o7 `- U" U. A& I9 D4 u( U
) u6 E3 Y" t: x
6 S8 e, S, Z) @: ?
zan