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 36352 点 威望 11 点 阅读权限 255 积分 13866 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。
' b4 f3 [: b( `2 e
* l$ \9 H, X$ Y: b 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。+ P0 K# h4 @2 e7 e
5 N/ g9 G6 ` T/ _6 e8 V4 G
3.数据挖掘中使用的数据的原则
: q+ h5 l+ H0 ]- |( N) e
* J5 B+ K9 N6 U1 x. A 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。
7 ^$ i6 d! S& Q) I Y 5 g. x1 M/ M+ U/ P9 P3 ]
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。
, V' ?/ p; M6 N! w$ K( R& j5 i # Z3 p8 \9 d7 x- A9 W; P
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- G, Y4 T( y; a1 ^$ d8 ?
. m Z: O( |! U- h9 k. S: |
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。2 |* l, n% i# n/ x
1 [) n5 ]) I+ i# c* ^& n( ^+ f 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。5 e, x! a( E' \# ]% n
$ v t( X5 ?* U
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. d" }0 f. C) {
1 o! ?+ l/ X8 N( T" C& g! P) F2 p 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。+ k: ~ F! ?8 a
' b5 T6 J4 r+ ~$ d- W) @, P 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。! P7 J2 E: r% h7 B+ L9 z C& t
- g4 t& W0 U1 M, Z' L 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。$ ~# w' `; T7 r- K) q5 j" g
) m6 O- a/ M3 X7 {+ F3 N
统一权重:设定权重(箱子深度)为4,分箱后3 x- ^* q& ^1 P2 f
9 _3 W+ o7 x* p$ b
箱1:800 1000 1200 1500
$ d& R7 g) b, I: d/ s# e
P. h& w. Z0 u2 z/ Y4 n; ]8 O 箱2:1500 1800 2000 2300
; L% w+ h5 v. ?
4 S8 A ?( i$ e 箱3:2500 2800 3000 3500
; W/ T9 M2 O1 Q3 Q t
( Y8 [& P, @: {0 g' Y# j: G 箱4:4000 4500 4800 5000 2 h* R& Z& p, _2 \" S7 B, j0 w
; e& J/ f. @" x% S+ H' {0 Q. G 统一区间:设定区间范围(箱子宽度)为1000元人民币,分箱后$ N1 e: j. r/ t }- U
D& a+ l8 m- z2 }' U; { X
箱1:800 1000 1200 1500 1500 1800: U& \* x' Y0 P, [3 B* l
( V" T. D% ^+ j5 @ 箱2:2000 2300 2500 2800 3000# u B: l7 N+ o* f' K6 D. K0 S5 m! n
1 w) ]3 V/ y9 j( Y 箱3:3500 4000 4500' a9 T* g5 {( j7 \. a' i' B
9 { T" A$ k) ]' Y/ ~# X
箱4:4800 5000 8 H# v5 ]+ w. e) I( d" N
5 S9 U; V4 B j; n4 R4 l) l
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0 b8 ~8 P( n f5 x
% {: ]8 l9 i$ i( x2 x* e
箱1:800 2 m5 H1 M7 N" I. c4 w
. {. E9 |/ ?1 a, z1 e. r) I! T) w& K 箱2:1000 1200 1500 1500 1800 2000
1 S8 Y) z u$ J ^/ X7 u6 L4 y ; n. [! n+ R: V& U$ V) a
箱3:2300 2500 2800 3000 ( Q) n8 M# I b- E1 _5 h
1 m$ Z) V+ e# r# x7 Q. i9 ^2 j) }6 k
箱4:3500 4000 / T; R; t$ b) a
8 }, ^) D4 W0 m9 L5 [% z' J* ~
箱5:4500 4800 5000 9 b& Y3 f5 x+ h9 x. j
( S* Q: `8 B( J. M& s7 `( F( I. `
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。0 U( L9 S7 w5 Q! Z0 a+ k) \
4 F6 J1 ]: l; X( d3 y
⑴按平均值平滑
7 m! @; q9 W9 O. \% e' l' D , c- F$ |& ~) ^$ ]5 E$ e# T/ E3 f
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 s/ a; g- z. o' d
( H7 p( ? M9 a2 R
⑵按边界值平滑
' y o9 y* Z1 h & C5 R" X7 d7 m" P5 s( _
用距离较小的边界值替代箱中每一数据。 / a- [! M: T* [! e x E) N
1 A+ H2 @% ~! { ⑶按中值平滑
R5 r3 g; ]. s
4 i+ @) b7 g6 m* _ 取箱子的中值,用来替代箱子中的所有数据。
% L. S. R5 G1 \- t
! w' v& m1 Z: f$ Z 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。3 x; R/ o' r$ A2 e1 F: q
. ~/ S$ ^6 F9 [$ R$ Q9 U
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。
0 G( p6 l7 f5 v6 F( \3 a
. m$ b. r3 q9 o( B3 d6 q$ ~ 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。
$ Z* {$ V p0 U
# r+ \+ X; a' A( o7 R6 T2 O 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 " h' g/ e+ N) O
7 {) a& O. J# T9 s 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
+ E7 p5 P, Y1 J3 N* C' c
. h" y- Z2 K* {# s3 E$ _ 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 , _" x& G' q* r) U
1 L4 o6 v! `: V 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。 $ v* ^4 q6 O/ J+ H0 I" G
- S0 B# P6 U0 }- X; D 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。& m* s5 M) N7 s
+ g$ V7 _ A) k% i+ n% v 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。
& O% G! }2 ~, I: c* o9 J) q
) i6 l" c5 B6 Z4 y 维归约:去掉不相关的属性,减少数据挖掘处理的数据量。
, c: C( i* A1 M7 y$ g _! A* c - S: e7 g( Q# {' @& c
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
* O- W3 Y) U; w4 W- M
- H4 C2 t" R. [/ z( _ 数据压缩:方法分为两类:无损压缩和有损压缩6 s/ @& a. J" A
1 ?: P0 K+ n2 Q, Y/ ^3 s
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 # s+ z( {# u( A+ u4 _4 q
+ L4 R9 F7 x! h3 R
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
* V3 ~, Q3 q* t, Q: _5 A7 ~3 h- b 5 _% ~8 i' O6 i8 b* h- }; \8 C2 c( B
*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]。
% i! \, j; R0 z 8 w; T/ J; J$ h/ F4 \; q) b! Q
x’= 其中:x是属性的真实值,x’是规范化后的值。
) E" ^0 V ]: N$ x$ k
% U; Y( H0 Y! j# L2 w) h" E1 T 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: z$ z' v# J" M. P; T( V
. n6 y8 u$ r m: ~. }
x’=(1.0-0)+0=0.716. ~& L Q8 N; z) g" G
) O7 ]0 ~, S( h8 I7 R7 g 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。
. v+ m/ ?; X( Z8 G ; Z$ w( h+ X* r6 w0 _
(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:+ ~* B" J# v) [
( O) v4 y3 ?1 X5 }6 U8 i1 q5 K! l 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。; v. ~5 v* p2 @& X+ e3 L" A
/ U( C* ~$ L% }& Z& w% S7 x% `/ t G ` 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
( J3 S5 J% H- _$ E1 e- ~
+ S2 Z; z$ W" i; I' F7 L (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 。
8 n% V X: `: q I8 S# ~. H
3 u# F2 v6 V5 [5 z x’= 为满足式<1的最小整数。
$ s( c- n8 b6 g) {
* l+ T4 _: q0 }( ?' I' y& 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’==0.0667 Z( v% Z# z% f1 R" S3 t8 O
————————————————7 `9 u/ W. `& ?* A# `6 ?% _
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。
, e% m4 [1 a' S 原文链接:https://blog.csdn.net/wang1127248268/article/details/53571956
: }4 I l% W: ~* M# X1 @* F1 H
7 x/ j1 @; ~8 j, x& [2 Z6 u ) y" t, [& w, d i
zan