- 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。
# ^0 o" i, K# K( \7 @) C" w
, N* p* C/ Y7 V/ @/ ?- v2.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。
% q7 j1 m1 _$ k7 w! h4 x/ }. A# p% A6 K
3.数据挖掘中使用的数据的原则/ c" F/ y, q. @6 S8 l8 _! o
z- r% O4 {2 b0 j* ^. {0 K# h0 O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。
5 K* v+ S/ b7 v5 j( `7 J5 L) e6 C3 [) d$ {3 w+ R7 U
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。
7 b1 \; |' A8 T, I5 q
8 \ m/ c& E& N$ ^, p8 s5.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
, L4 a8 T2 Z2 v, ~" l$ X; g; c& ~3 H' z# j5 I0 s3 i9 d
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。; P; J% `# u# A7 R, q/ s. @. W" d
2 r: s, l m2 x/ ~# S
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 T, B2 y U
' i! l* k) |) E/ x4 _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。
( n, V! z6 p/ e) n h2 s4 @. s
. `) k- i" c9 b1 R! |, `. d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。3 ^7 {4 a1 O# Q; y' b
9 P* f6 t2 I X4 |
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。
5 ~# C) q9 L5 B6 F: |, c! J& F% x- r% g
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。
: C8 U( B8 q( _- m) h% R0 j& G+ w1 p) [. m! e) C' {8 s* |; Z
统一权重:设定权重(箱子深度)为4,分箱后
4 E# b' W5 d0 O3 h7 n4 N7 |
9 w% x$ W0 v4 S' G, m5 O箱1:800 1000 1200 1500) `& o/ s" z8 P5 M; i6 u3 P7 |
5 A5 U& l% X/ }1 H7 A箱2:1500 1800 2000 2300
' b5 m g- ]3 s, \- j$ L) k: U: x4 c
* Q( r; g( T% J; ?: z0 p A3 G箱3:2500 2800 3000 35004 x2 {5 u, ^7 ?' e' S& [5 k6 j
3 C- w! Y( G# I% h
箱4:4000 4500 4800 5000 - g N; m n7 }5 v' F1 `" `& b' G
, K2 s& v0 ^: F9 K
统一区间:设定区间范围(箱子宽度)为1000元人民币,分箱后
. L" Z, p% w2 y) {8 C: W3 L; D4 h7 E! _# q1 C; A4 C
箱1:800 1000 1200 1500 1500 1800. @, X; i6 L& f4 f; _# O
1 F M! ~% W p l: ~: X箱2:2000 2300 2500 2800 3000
$ C$ h Q: L, h5 X# V' r8 X3 s4 P0 \3 ^: n, `
箱3:3500 4000 4500
' ~! l1 F9 J# p$ @( @) B
. S( P0 }+ @% N- U箱4:4800 5000 ) t0 @ v3 Q5 O0 j
; P. Z2 y. J- I* V4 C
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
# b! h. y0 P: R- _% {$ z! q
" e+ R2 ]& G; B, ?+ o! o箱1:800 7 q. c4 Q7 v4 T* C/ W5 x% T2 ^
6 W9 d5 D( ^$ { ]+ J
箱2:1000 1200 1500 1500 1800 2000 ( N3 E* V) g) G4 j
* `- \+ j. t# F+ L& O/ B箱3:2300 2500 2800 3000
$ x3 n. w( T3 _ t- Y$ s
: a3 \& a: q# ^3 r7 w9 V4 q! G箱4:3500 4000 ; O7 q) B# n, C
8 W; w7 q& O! b
箱5:4500 4800 5000
5 J9 m* A4 Q9 w- O
: P& N4 o9 e7 l. Q. O7.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 x% g- I) ^3 o* `7 d' v
- b1 i/ d* K( ]⑴按平均值平滑 6 L8 E3 [1 b: p7 W
+ x3 q; `3 g6 Y' ^9 d6 t
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。
1 l7 s: M/ n8 \2 j5 v5 {
/ u; i! U6 [# ^⑵按边界值平滑 . n) M7 h% x4 y9 \5 P* i6 H
) g( C! u- D% U0 S2 @. R. D用距离较小的边界值替代箱中每一数据。 0 `$ X. J3 i: C% x+ A
! V# w i4 f0 K, ^9 Y; }0 u6 }⑶按中值平滑 ! J8 U- l2 v7 M$ x8 m: M
e3 ]8 I& C6 h
取箱子的中值,用来替代箱子中的所有数据。 7 s! P7 T" q' t# _" G# Q% L8 E% @
$ M f' b0 N, Y7 R
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) R j& E3 V6 K( o4 h$ f& L3 A/ }0 ^( ^
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。
3 z. s, R/ G5 T1 m0 p" z+ X) H" S, o* l5 q# s) }1 e
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。
, |; U2 s9 E9 U/ H+ J* m! L4 n! T" `+ y1 f' N S2 W# J* M+ G
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 6 @2 p. p! o& J$ V. s s0 b
& P: ], ^ f1 B3 I11. 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
# D% [: {4 T8 U# H' E! y; j( L7 C) ^* Z4 b8 x" 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 % y3 S7 Y) z# f
9 Q1 M/ K# A o7 Q' V13.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。 7 l/ v: S( H) p7 X
' i" x$ ^2 l* R8 y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。
8 u& P O6 T, i2 A
- [8 G! o5 o6 Q14.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。
3 C9 L( O. U& {( d- ~6 h# ?' i
6 ?3 s: S3 l5 ^" B维归约:去掉不相关的属性,减少数据挖掘处理的数据量。
" _: i$ z' F& o- o. c& [3 ~* d" j& v, ^8 ~
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
c+ w% U# l' q( ~5 `% f
# C: X/ L0 [. V: X3 w; a9 g/ u数据压缩:方法分为两类:无损压缩和有损压缩
! [, R X5 Q5 I3 K; E
4 V* O" h6 s& B8 i: \* L3 B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 \" F. e9 O4 g5 m9 p
k3 ~ \, s S1 h, U0 m( k/ ?+ p
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/ b7 y% R+ @" B) t4 \
- V2 c+ T5 j! @7 X O- V# o*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]。* w/ N; e5 L. a7 O
. V5 o) l- d7 J7 D2 s7 Fx’= 其中:x是属性的真实值,x’是规范化后的值。
) _. H- i8 ?5 v3 @+ V* R9 Z1 @7 K- V/ B' |) 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:' h+ ?( l$ \4 o, s' X9 R. t
& x( B; i3 P3 W: ~4 ~7 \x’=(1.0-0)+0=0.7165 c/ e* P" k3 E+ d6 A4 D" z
6 f% B! K- y1 J* K. y- t$ `
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。
, Q% W) F0 b! h- U9 V* k
$ `7 | m) p, n. 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:
- |7 |# `% M+ m. I9 f1 I" S) V% m
& r# N3 [1 w2 m) V* O. ^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。
" d8 I$ y& J8 c4 b w8 v- y2 o: P1 b1 x4 P3 y! q7 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’==-0.564 g1 L- b/ Y& ^
4 a+ X; J1 s6 E, Y' E
(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 。6 m; A3 e1 @1 Z6 E& [! `/ j
3 d8 J9 C) F7 u. }7 [x’= 为满足式<1的最小整数。
" d) \2 r7 d. G) T- O3 C" z* [
* V3 g% p! w$ g0 d6 p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$ R$ X5 a7 u1 f/ ~1 r3 M+ X. v
————————————————
! q$ P3 u% l5 b0 D2 g4 u& a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 E, p: ] [. q, J原文链接:https://blog.csdn.net/wang1127248268/article/details/53571956
# e. V2 ]& p3 Y3 T9 D5 H. X' O1 A: n+ K9 f5 D
6 Y6 y2 `0 G& @$ H- j0 E2 f
|
zan
|