如何对建模型数据进行预处理

IT市场

当今现实世界的数据极易受噪声，丢失数据和不一致数据的侵扰，低质量的数据将导致低质量的挖掘结果，数据预处理技术可以提高数据质量，从而提高数据挖掘结果的质量和性能。数据预处理的方法主要有如下三种：数据清理、数据集成与变换、数据归约。数据清理例程通过填写缺失值、光滑噪声数据、识别或删除离群点并解决不一致性来“清理”数据。分析中往往包含来自多个数据源的数据，这涉及集成多个数据库、数据立方体或文件，即数据集成，数据变换操作，如规范化和聚类，是导向挖掘过程成功的预处理过程。数据归约得到数据集的简化表示，它小很多，但能够产生同样的（或几乎同样的）分析结果。以下对这三种方法进行分类较详细的描述，三类方法区分并不十分严格，可能某种方法既是数据清理方法又是一种数据归约。

一 数据清理
试图填充缺失值，光滑噪声并识别离群点，并纠正数据中的不一致。
1）处理缺失值方法：
     a.忽略元祖，挖掘任务涉及分类任务中如果缺少类标号时通常这样做
     b.人工填写缺失值，量大时行不通
     c.使用一个全局常量填充缺失值，简单但不可靠
     d.使用属性的均值填充缺失值
     e.使用与给定元组属同一类的所有样本的属性均值
     f.使用最有可能的值填充缺失值，可以用回归，使用贝叶斯形式化的基于推理的工具或决策树归纳确定，是流行的做法。
2）数据光滑技术：噪声是被测量的变量的随机误差或方差
     a.分箱，分箱方法通过考察数据的“近邻”（即周围的值）来光滑有序数据的值，有序值分布到一些“桶”或箱中。由于分箱方法考察近邻的值，因此进行局部光滑。几种分箱技术：用箱均值光滑、用箱边界光滑、用箱中位数光滑。
     b.回归：可以用一个函数（如回归函数）拟合数据来光滑数据。线性回归涉及找出拟合两个属性（或变量）的“最佳”线，是的一个属性可以用来预测另一个。多元线性回归是线性回归的扩展，其中涉及的属性多于两个，并且数据拟合到一个多维曲面。
     c.聚类：通过聚类检测离群点
3）数据清理作为一个过程的方法：过程的第一步是偏差检测，有大量商业工具帮助我们进行偏差检测，数据清洗工具、数据审计工具、数据迁移工具、ETL工具。新的数据清理方法强调加强交互性，如Potter's Wheel，集成了偏差检测和数据变换。

二 数据集成和变换
1）数据集成：数据分析任务多半涉及数据集成。数据集成合并多个数据源中的数据，存放在一个一致的数据存储（如数据仓库）中。这些数据源可能包括多个数据库、数据立方体或一般文件。数据集成有三个主要问题：a.模式集成和对象匹配，实体识别问题：来自多个信息源的现实世界的等价实体如何才能匹配？元数据可以帮助避免模式集成的错误。b.冗余：有些冗余可以被相关分析检测到。通过计算属性A,B的相关系数（皮尔逊积矩系数）来判断是否冗余；对于离散数据，可通过卡方检验来判断两个属性A和B之间的相关联系。c.数据值冲突的检测与处理
2）数据变换：将数据转换或统一成适合于挖掘的形式。涉及如下内容：
    a.光滑：去掉数据的噪声，包括分箱，回归和聚类
    b.聚集：对数据进行汇总或聚集。这一步通常用来为多粒度数据分析构造数据立方体
    c.数据泛化：使用概念分层，用高层概念替换底层或“原始”数据。
    d.规范化：又称为归一化，feature scaling特征缩放。将属性数据按比例缩放，使之落入一个小的特定区间。规范化方法：
                   1.最小-最大规范化：v'=[(v-min)/(max-min)]*(new_max-new_min)+new_min
                   2.z-score规范化（或零均值规范化）：v'=(v-属性A的均值E)/属性A的标准差∽
                   3.小数定标规范化：v'=v/10的j次方，j是使Max(|v'|)<1的最小整数
    e.属性构造（或特征构造）：可以构造新的属性并添加到属性集中，以帮助挖掘过程。

三 数据归约
数据集可能非常大！面对海量数据进行复杂的数据分析和挖掘将需要很长的时间。数据归约技术可以用来得到数据集的归约表示，它小很多，但仍接近保持原数据的完整性。数据归约策略如下：
1）数据立方体聚集：聚集操作用于数据立方体结构中的数据。数据立方体存储多维聚集信息。
2）属性子集选择，参见文本分类概述中特征选择算法
3）维度归约：使用数据编码或变换，以便得到原数据的归约或“压缩”表示。归约分为无损的和有损的。有效的有损维归约方法为：小波变换和主成分分析
4）数值归约：通过选择替代的、‘较小的’数据表示形式来减少数据量
5）离散化和概念分层产生