- 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。
" x) T- q0 b }, a1 l3 }
+ I7 R. L) a D% _: t H9 ?. 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。" l. |9 \2 t8 @# D. d
6 x" T4 C$ j+ ?# j( D, F3 @. A( Z
3.数据挖掘中使用的数据的原则
0 T) D' L/ U& p
; K! Y# |! Z# w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。/ Y S1 Q$ x" p, `% k6 e/ d
2 u5 ] e1 X/ M. y; ]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。) l V* q8 ]# M: c: X; w1 D
G0 V& U: Z' C1 b/ f% r7 Q+ e5.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
9 w l2 `+ I; N$ K2 B8 D" d- l# C S7 E2 R. K) B( ~" X8 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。0 [5 ]0 E6 r+ e& f
) g8 k' D1 Y3 c: |2 F/ 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。3 r# {0 h$ Z. S7 x! p* Z
* T$ ]% @- z8 ?# i# C& Q
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。2 I+ ?+ z' ^; G9 m% W
5 x/ S \4 _( s: \6 S6 b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。4 [) z$ ^8 e& j+ Q
* t5 p- C$ o; B8 E6 J( [2 y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 f2 {+ f* M) B) l/ \
: D1 j) u* k) n, k4 x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。
- O, |) U3 e& ^7 U! D: C! c' [4 T- a, ]0 `( w5 {' ]
统一权重:设定权重(箱子深度)为4,分箱后. @* t8 t& I/ b/ a% M
" m. m6 c4 J9 L9 i7 B箱1:800 1000 1200 1500
. n; w3 ^ S, U; {, O% R7 h, B- R& Z8 }( o% w
箱2:1500 1800 2000 2300
2 n2 O% J8 v# a3 O0 }8 c/ e
2 ?6 D! I7 q4 ?" M: q箱3:2500 2800 3000 3500: h( v* |1 z7 Z# T' T
& b" K1 e* \ f- p1 Q9 O箱4:4000 4500 4800 5000
0 L$ `4 W( M: A4 ]$ Y+ v9 A9 E' U4 z. Q8 S
统一区间:设定区间范围(箱子宽度)为1000元人民币,分箱后& r1 L8 P8 s6 G
; ?4 H% G0 [0 E5 |5 v' ~% g
箱1:800 1000 1200 1500 1500 1800
: y2 ~! Q) Z$ ^$ ~) ]; X `! z4 Z+ l5 `
箱2:2000 2300 2500 2800 3000( ` c- s: Q! C8 y
4 v2 d3 C$ N+ o
箱3:3500 4000 4500
9 Z; W$ ~7 {$ P7 j$ O
$ I7 b3 c* T- f7 q* X箱4:4800 5000
2 s1 s" `8 T% c! k7 f& K, ?
! l* v7 O" a8 L* 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0 T: m0 N" j7 l- b+ B% s, ~+ l
6 ]- ?3 r' d# w' d" |箱1:800 1 n+ m1 B) ^( W4 i
' G2 F7 z# U2 w; u6 p( {9 [/ J
箱2:1000 1200 1500 1500 1800 2000
. o. x8 `% M, b$ T4 v8 p; M4 y% Q( @( T' p" Q5 j
箱3:2300 2500 2800 3000
& w9 D7 M6 U/ S6 j( j% E4 t7 f! M- a* r1 K1 c
箱4:3500 4000 8 g# S! G6 q+ P6 I
5 Y7 s5 ^/ o2 ~ k* Z
箱5:4500 4800 5000
; N# p7 w; p) j2 v N' R0 e6 G A' _" m
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。
; I1 A6 {+ `+ D/ ~, e* D8 E2 f" q# g; w+ J
⑴按平均值平滑 ; ^0 o! X2 R/ K: ~
6 G8 Y; g+ k, q6 p, |
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。
: n: j8 E$ H6 {3 C5 q7 a
% H+ D) f L1 M2 k$ s⑵按边界值平滑
2 G1 Y# |% Y# z. w5 G# T) p4 O1 `
! A5 H2 j7 X# t用距离较小的边界值替代箱中每一数据。 - b1 K! d, `& C) F6 L7 [) y& Y0 a/ ?
3 L) { d* `# H⑶按中值平滑
, y- {6 \. g/ i5 i. l0 I
# P: v" C2 g) |8 G取箱子的中值,用来替代箱子中的所有数据。 3 X. R( L! J2 i o) I5 H) }. G
! I6 s0 E4 S( l, |
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。
! K. ?4 L8 a6 h2 d _' I+ [$ I3 c. Q* Z' |. ? A) H _) G
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。
& ?1 m2 E3 t5 S* D7 f7 V
! P4 z6 J+ D% R1 \- O+ G9.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。 5 Y) ^- O$ g/ z/ C% w
& d Q- l* w3 M- o0 t1 e
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 + l4 ?% b: m9 c J1 O$ K6 a, n
' Z! i* S+ H/ t# I3 d1 M8 W' r
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
; j7 p4 `- Q' ?8 t) M) b8 |1 a" c% r3 p/ W' k7 o0 V) I! A+ N% P4 z
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
2 ^8 W, L/ `, |$ i4 m. J3 V" s/ m4 C8 }
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。
0 w+ e( ?1 O% ?- g# H$ |
& N: f1 }1 ~ Z" 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。2 S4 r4 U& y! A4 F
" Q1 w* ]8 Q6 H) u- l14.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。 2 M) Y1 _) p& G2 v
, H1 G1 h( k/ A$ a) _; V维归约:去掉不相关的属性,减少数据挖掘处理的数据量。 - E" @7 @4 Z7 ~) n* p
, ?9 y8 [7 d F2 X( W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 [* ~4 O8 b) P# P5 H
6 i- a; Q8 g5 @# U6 r
数据压缩:方法分为两类:无损压缩和有损压缩6 O+ o- |6 p1 |' T) Y
) a, p, c |- J% ^3 @8 n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
* S3 `+ ]. g$ Y& C# s' I
8 ?3 D9 p) l( } }5 v15.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' Z- U: a+ @2 O7 n, s# F
' T/ O+ f' D ^& f9 D
*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]。
+ X" u+ X* N; _5 @7 f' [# L5 L6 j0 |/ X
x’= 其中:x是属性的真实值,x’是规范化后的值。
; U3 G& ^. z4 i2 ]( ?5 {7 e. \+ s9 E4 \2 M, A4 I! S7 r% ?
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:, B- F7 d) Z# s" m7 v7 M( M
4 Y$ D: Q) @" o8 q; F' k' U4 ex’=(1.0-0)+0=0.716! t9 d; F! j% v! b' W
+ n7 L( S9 i9 K n0 j7 @2 m
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。
! h, s5 y- G6 ], k# K1 g% a; N& S8 o: D2 n8 x6 X. {
(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:
. ^, {; X* e" r: t
, ?3 ]; ^" q" U' u. e2 ax’= = = 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。( U: K8 }( K$ e+ F
/ b5 N9 G. U6 {9 Z' Q: j$ p
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’==-0.564 i Z/ t! |: L& Z$ r# r
. R" F9 P" i$ m' S% b(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 。
0 ~+ l' L" B- v! B- N0 w( S1 F' h4 Z
x’= 为满足式<1的最小整数。
4 w- r- `( e) \
2 ^ X& S% ?* y8 I9 g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
7 n3 U1 c- g8 }/ y1 L8 G————————————————
+ I$ m- F. ]2 |6 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。
% ]- W3 R2 p G6 b2 J3 z q原文链接:https://blog.csdn.net/wang1127248268/article/details/53571956
# A) @! W" O* j- g' l
) H2 @4 v1 `* i
5 R7 }% S8 B2 A( ?8 V1 n4 D2 D |
zan
|