QQ登录

只需要一步,快速开始

 注册地址  找回密码
查看: 2628|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。: n/ q# A. S& b

    8 r- o( W# ]/ _! [6 }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。
    + p4 g' n) c; z4 ~5 W' y+ B2 o0 f( v( K6 a, {
    3.数据挖掘中使用的数据的原则9 W3 z0 c  \- j6 {4 o5 C+ K/ D
    ) A2 g% O: R" [) F
    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。
    & [" ~' i- a# D6 G2 G  ]0 Y) ^  A
    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。
    ) r! j+ P: b+ g/ L; x; I# Y. j3 S/ ?
    * y, j  o+ K; M2 b8 C* F5.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
    " c8 ~' G1 }5 v" M" h4 o1 B$ U. {& W$ |
    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。3 K3 N" z8 z# ~7 m# i$ w' m
    9 j8 J& Z0 p$ J# b% O- y  Z
    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。
    # l3 c$ A5 Z3 ?" L" Y# B5 F' [
    ; f9 ?0 s4 S4 ?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。3 C/ T2 A/ b4 l7 e& O7 P: e* [

      {7 e+ t7 ~9 S6 N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。
    6 j- U6 u/ p7 C/ t# c; c
    & ]. ?0 ^  U3 ^; V( Z- j; K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。3 B1 }  P; G2 U6 E7 R8 v5 b: A
    8 _: T2 S$ X4 e# P; B; z4 }
    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。$ X9 g1 l( ^% \1 {8 \7 f

    5 g% i' V, g- U/ X统一权重:设定权重(箱子深度)为4,分箱后
    6 \5 a0 C- J4 L% L6 s( ], o' m. U( h+ F# e/ O# Q  c0 m
    箱1:800 1000 1200 1500; W% C; L$ T& t# W1 G8 i9 }
    4 G2 R, P) o+ K
    箱2:1500 1800 2000 2300 $ k! g7 k* A% W# h) l) f) C1 f
    + z/ B! p0 E' q# n6 p
    箱3:2500 2800 3000 3500
    ' @% ~+ m$ G; K! y0 U* X+ X  B
    % U" n! F7 L4 y; s7 `( B2 Y1 M" n8 b) t箱4:4000 4500 4800 5000   
    , e" U: o# W- F, y8 ~" S' k! n5 L' X5 \1 `3 |& N
    统一区间:设定区间范围(箱子宽度)为1000元人民币,分箱后
    " O8 L! s; X, J# ]' s8 l. R7 k
    0 d$ ]$ g/ l0 E( k箱1:800 1000 1200 1500 1500 1800
    5 I5 z" S. r4 O9 ~3 _. b' c
    / b) j* `0 ^0 ]箱2:2000 2300 2500 2800 3000
    6 p- B9 H1 l" i9 {+ x- L! G5 D& |" Y. b) t/ q
    箱3:3500 4000 4500+ {) H! a( g1 v( I
    ' I# Y& s" J! R8 }, K" L' ]
    箱4:4800 5000 ; K9 V- L" y5 Z9 D

    6 H- V$ D* K9 Y5 g) {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
    ! F4 n% Q' h8 i2 v  m" u  [, j' E1 P. V1 `0 X" _% T
    箱1:800 : ~8 Q. f3 g2 |* e3 u& |0 j  ^9 ]% U, Q* k

    : A5 t# ?9 B2 q2 ~箱2:1000 1200 1500 1500 1800 2000
    7 I& }/ C/ r( ^+ {  A- w$ V; t$ g, K8 n3 O* d
    箱3:2300 2500 2800 3000  
    8 ^+ l2 z0 A8 g+ h/ ~; D( g* k
    ) k2 T: I& P; x. {- f% A! t箱4:3500 4000 ( ]. m" V4 d, E3 s* h' p
    * G' j7 j# N( D  }6 }- u1 v
    箱5:4500 4800 5000 2 j0 G! U6 z3 Y" i9 G
    1 \+ ~1 i$ W8 e. Y, E
    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。
    # o- |/ ], }+ c  W8 W4 q3 s. U, A' H, p7 @9 W$ }' f6 V& I
    ⑴按平均值平滑
    : u7 y, T7 H  D: H
    . l, \) d" _# g8 B7 f- @5 N1 \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。 % w; {4 |/ [$ M9 @1 j- h/ j
    4 e8 f4 T0 k1 e0 N& k7 j5 P1 X
    ⑵按边界值平滑
    6 D0 W  z. x0 k8 S
    : Q1 t$ O& z. G. g& t' m用距离较小的边界值替代箱中每一数据。
    1 P9 }2 J- x5 g6 K: c- T3 h3 H3 F2 {6 Y% j& }
    ⑶按中值平滑 " K: ~2 V. ]& {& w- o: d% \

    6 u) d3 c8 U& U* h9 x( z! P2 r取箱子的中值,用来替代箱子中的所有数据。 + {1 W/ k3 t9 _" M0 D" u
    9 L. X2 b2 ?9 @7 ~
    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。
    ' J* E7 i3 a, e7 h) d* n
    $ \# O8 s* G7 ~8 j2 W" c" X( d! W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。6 v  K0 I# Q6 P$ |  {

    + C1 [8 k" R4 M4 y9 j% h1 m' O9.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。   
    : h3 P0 g  I( ^& U1 _0 ]
    ; p5 J  A9 T% d2 `' D10.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 % L5 Z8 k6 Z4 {$ \( k. K

    1 n+ U! ?7 p! ?' b7 k1 m11. 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 ~8 P0 g- c- A4 @
    ! C7 z' ?+ M$ v# E, j5 V1 u2 C
    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
    5 Q6 t; o$ I2 R% P( R, H0 r& n  x& R& B/ Z/ z
    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。 * B) A, u+ u% _

    ! P" f$ h5 s+ t3 {. Z8 A4 H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" E0 y: ~* a6 Y0 M2 V$ ]5 r$ |% l# I) ~8 s! u2 ~  `: n
    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。
    # c; Z) P5 L7 t0 f+ p! |, [2 E. q
    . R* @9 N8 @& m5 K9 e2 q7 u维归约:去掉不相关的属性,减少数据挖掘处理的数据量。
    0 Q+ E5 f% D  u' K
    : \+ U; S/ u2 w2 q* P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   
    2 J, u1 a8 I0 y/ W8 [# y) p- ]* a: ^3 G; Y
    数据压缩:方法分为两类:无损压缩和有损压缩
    1 C8 g" o% h5 ?6 ^
    / m5 @' z$ f; Y' 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     / W% m. G5 M7 Q$ [
    - y; e) w! W4 i  ^) o
    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4 ^" ], ?* m1 w  m. x
    8 c0 X7 P( _. |. u+ U
    *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]。
    ( x5 r1 d/ H" ?1 _1 ^1 G
    6 h  d8 \$ Y! j" Z2 u7 [3 Sx’=  其中:x是属性的真实值,x’是规范化后的值。6 m& R- d) u) f8 M8 V  h
    . T& P) Y: o: O1 e( e' _* @* ~! h
    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:& p) i. z, X. f  y# V

    ) v/ T: m* G# V4 q3 [8 X! hx’=(1.0-0)+0=0.716
    : }8 g; P" [" J
    $ j8 x3 g3 ~& q+ A& f/ S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。7 S9 Y: A0 B$ _

    5 A5 p. M4 W5 Q (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:7 v$ T! }- u2 i& J' i' X7 r1 Q5 v
    5 G. o+ N* f7 I- X5 o: `$ R" z
    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。0 n- D; f5 X8 r* Y  V2 k
    . z) c& [, t9 u& _: X* A
        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* w% @8 S5 s" x4 G

    0 Q3 X! [& r$ C" P5 f% N(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 。& k7 Z0 S  B0 }8 Q. ]0 P

    . q( L# u) B6 }. Nx’= 为满足式<1的最小整数。
    : A/ u2 Z' g5 \" W  g/ B7 I0 `1 n! p, i
    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
    . s  ~! ?% y" ^  Y- _————————————————
    / S; ?5 x/ p' q# d4 [: k- Z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。
    7 A6 B6 I+ x- y原文链接:https://blog.csdn.net/wang1127248268/article/details/53571956" M- j6 x" Q/ ~. M4 V; O+ z2 @
    : B( k% X9 V. b$ e: x% H

    & c, D3 @# {7 z
    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 $ l2 k, b, G6 K
    棒!棒!棒!棒!棒!棒!棒!棒!
      R: y0 i" k$ _7 J  X

    + w7 K/ z( X2 r# u: E! u( G6 |
    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, 2026-7-26 00:09 , Processed in 0.433972 second(s), 73 queries .

    回顶部