QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 2627|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 |正序浏览
    |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。# X* S* D: }+ h6 j
    7 T2 P! W" v' ^7 Q2 q
    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。
    * }) W& D2 @6 J4 N% j
    ! [7 K! `9 Z# {3 u; g: D4 h3.数据挖掘中使用的数据的原则
    * J6 u# ~# d: G9 i. M
    . k8 o; ~9 j/ U3 @  p+ Q# S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。9 N3 {. k3 u9 z% ?: e# V4 ^4 N

    % V( a! R! m7 o9 I; F- Y3 V; S6 w4.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。
    * M1 a) c- i" b. z* x/ ]0 n$ a0 u3 K) J1 e+ m/ K- A3 j
    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2 s) a) M+ u8 e) ?1 j# r9 `
    . c" f: Q7 W. I9 t; u
    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。
    : l& Z# z" K: j9 N- C8 j0 t, u- y
    9 U8 v* O8 r: E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。
    / P1 p- |8 Y5 ~& _# A6 X5 c# A* j# B; Q1 z; U7 ]; s
    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。
    * D1 N. a, Q! ^& ^! N
    : `+ ?' V; g2 x+ k0 b. z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。
    # Y7 S4 N1 R% D- o# z
    ) ~: a3 M+ Y3 \) C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。
    7 R% }" A/ r  @3 N, |$ T. f* j* q8 t: x' W
    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。
    2 M( Q7 s  L* N1 }$ D
    2 ]& s" I- N" r8 @统一权重:设定权重(箱子深度)为4,分箱后2 d5 Q9 d1 K; p2 K+ @

    5 d1 g3 A7 q6 s5 ^0 B' U* C箱1:800 1000 1200 1500
    $ W! M" e0 G" ]( Z
    3 H: n" L" }, z! B2 q箱2:1500 1800 2000 2300 5 I- N3 L5 n& |* O4 ~% c3 W+ ?

    7 u8 h1 h2 C& w8 ]# ~. }" r箱3:2500 2800 3000 3500
    ' i+ N3 ^% O3 j) ]! W' w! m# |! f' C" m6 C
    箱4:4000 4500 4800 5000   
    ' i' q# V2 Q9 w; H' [! |
    : V8 r6 l$ O# Z& w# p% O/ G; [统一区间:设定区间范围(箱子宽度)为1000元人民币,分箱后: x4 V! H8 `: v2 x% u6 H6 ^
    . h5 a8 I0 `4 n) R0 R
    箱1:800 1000 1200 1500 1500 1800
    % q; f6 N$ F' ~6 l# ]' V
    $ V* |) m1 y! w" J9 \7 X箱2:2000 2300 2500 2800 3000
    ) Q) G/ b5 N: I( K3 X4 j0 r- I& H: f4 z
    6 E. f$ ]! Z2 T; O  @' y箱3:3500 4000 4500
    8 [/ X% s" s8 x5 U8 s* \1 c+ F, y' i  ^3 V5 n$ R0 X3 _& }
    箱4:4800 5000 0 T+ `$ C  o' g! l

    ) X9 l+ u$ A9 C1 A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, j8 I* l+ v/ _) B. }2 {$ ^

    ! P: L" E4 k! m) o1 i8 K箱1:800
    # D& R4 C- e$ B3 m5 M+ \9 h# \7 C* F$ A* m* x
    箱2:1000 1200 1500 1500 1800 2000 6 h0 x" q2 R1 p/ v8 H0 e3 r

    ( E5 N, y0 v' O* |8 z) d  l1 X箱3:2300 2500 2800 3000  6 \" c" I  X0 x/ @

    / w" [$ ?7 [' G* B+ N9 d* h箱4:3500 4000 1 }2 t* a+ u4 ^% d9 B( c
    - ~$ s( I9 `( C- ~( ~
    箱5:4500 4800 5000
    3 t& }; r% Q0 X& A+ V% k8 X1 W" q! Z3 c  w2 d# \
    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。: D; c7 p$ g$ i( Y8 l, {" D
    5 d  u5 i& l" G4 R6 v' I
    ⑴按平均值平滑 3 }7 b5 y* m# E, _% N6 E8 H4 q

    : N% w1 o, _3 s& U, O7 L+ t( Y' \) }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。
    ( F* y0 H' r3 w
    ! u0 K( ]0 x* j7 C% X% ~% }⑵按边界值平滑 7 ?' o2 c2 M+ Y+ `4 h* j
    # c6 S6 h5 Y- G" u
    用距离较小的边界值替代箱中每一数据。 - Z; o" O# v6 b7 m6 ^' X
    - G1 u7 G: w2 s. I+ ?+ N, T, Y4 a
    ⑶按中值平滑
    ; s/ q. n" \, ?9 v1 E
    7 D6 e( O2 |1 V& C. f取箱子的中值,用来替代箱子中的所有数据。 ; x5 I; T! T- M1 P1 P- C1 x3 q; O

    7 c1 l1 O9 F% l% `# b5 i; s( u8.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。$ l: B" n/ _# \2 J

    : Q2 l- O: a$ u& |5 _: J$ r9 {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。- `4 B' h7 {5 q

    ' `8 ^( A& T) V9 ]# j6 j' w: n5 g& ^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。   
    / c! Q; G5 A1 z; G, a$ F/ s0 t( t
    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 / i  S3 O' I$ R
    ! s: H. k3 R# ~/ n7 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6 V! y" L) b" X' Z8 g0 K2 i) c

    % T7 s2 g$ ^4 p$ H- H* _1 R12.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   h0 k4 {4 C( `3 |. |
    . g4 ]' `9 Q$ u
    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。 % ]6 N- i8 B, g% G  ]) M! _9 w' C
    9 N- X9 W4 x+ @
    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。
    . [% P; z6 t# f# C
    6 O4 O0 R" c/ Y% p" A2 u) i14.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。 1 T. |6 \7 p4 Q' g, h

    - ?2 P, [9 j+ ?% \4 [维归约:去掉不相关的属性,减少数据挖掘处理的数据量。 2 q3 r2 \  z' ?5 g  \
    # O/ {$ I& D8 S2 j# k* j
    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   
    # U$ s0 e+ N/ c( o; c3 Q: b1 Y( V" y3 q3 K, C
    数据压缩:方法分为两类:无损压缩和有损压缩3 H& ^4 k3 y" x- R4 D$ X" {

    8 e; W1 I& R: l) ?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     6 _  _* W3 x$ w$ x) |! _. X
    ' Q% x, f2 t- @# |& 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- H7 I& e! g6 X
    9 B1 E8 f+ L) y; L# x- J+ ?8 b/ p
    *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]。
    6 U$ B1 u, M) v9 L8 ?$ C/ Q* F: M% [2 j$ G, q, l4 A6 Z! e! D9 X9 a2 G
    x’=  其中:x是属性的真实值,x’是规范化后的值。
    6 z/ z# ?' c  P0 a, f5 k* t- x
    2 z+ {; t: b6 r' P% L4 X! V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:; N" C- J9 j( |1 u
    + l: ?+ y9 o  g1 u' T
    x’=(1.0-0)+0=0.716
    1 o8 w- a. ]' ~# L# E, L& D3 `3 h
    . C& f8 E# m7 C) {1 n6 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。/ Y3 x) i7 w4 J3 Z
    2 R5 u6 o. y$ t! _! I" ]1 B2 K0 X% n
    (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:
    " ]4 u2 m& `' \3 x! n
    ) D( n7 z  ^* H1 rx’=   =  =    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。
    " P, v/ \4 d' R, G. K3 L- I" }8 r9 i
        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
    , |: A# n/ q5 e) l5 p/ o4 O% p7 O  g% O
    (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 。
    ; W1 `4 I1 g2 g$ Y6 x) {8 E  y8 q9 ?
    x’= 为满足式<1的最小整数。
    ; O1 e% \2 I! a3 a# y( V& u- x6 s" f% y. ]5 }3 @
    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
    " q4 a! L7 Y, L3 n8 O4 o( H$ o; U————————————————
    1 ^+ R- ?- ^. @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。0 U; Z, V% ?. M. w6 z: D7 L
    原文链接:https://blog.csdn.net/wang1127248268/article/details/535719569 R/ C4 V: K5 {, c# q

    0 u6 D, |& L  c1 E7 \5 ?& d/ {0 P! A3 E( R$ H& m# g
    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
    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

    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 % e4 u' K. K/ O; _. d7 c) B3 |& N
    棒!棒!棒!棒!棒!棒!棒!棒!

    2 e, H/ c7 L5 y+ ?2 \# H, I# D! P  c  g) C, a( u) e
    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

    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

    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 21:34 , Processed in 0.434841 second(s), 73 queries .

    回顶部