京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大话机器学习之数据预处理与数据筛选
数据挖掘和机器学习这事,其实大部分时间不是在做算法,而是在弄数据,毕竟算法往往是现成的,改变的余地很小。
数据预处理的目的就是把数据组织成一个标准的形式。
1.归一化
归一化通常采用两种方法。
a.最简单的归一化,最大最小值映射法
P_New=(P-MI)/(MA-MI)
P是原始数据,MI是这一属性中的最小值,MA是这一属性中的最大值。这样处理之后,所有的值都会限定在0-1之间。
b.标准差标准化
P_New=(P-AVG(P))/SD(P)
其中AVG(P)为变量均值,SD(P)为标准差.
这个方法还有一个好处,就是当你发现如此处理之后,有的数字很离奇,就可以认为是异常值,直接剔除。
2、离散化
如果你的数值是连续的,有时候不是那么好处理,比如年龄。往往把数字离散成小孩,少年,青年等等更加有意义。
3、缺失值问题
这个首先要考虑缺失值的多少,如果过多,不如直接删除属性;如果在可接受范围内,则利用平均值、最大值或者别的适合的方案来补充。
当然还有一种方法,先用方法1对不缺失的记录建模,然后用该方法预测缺失值;然后用方法2最终建模。当然,这里存在许多问题,比如方法一的准确度、方法1和方法2使用同一种方法的时候产生的信息冗余。
4、异常数据点
实际的数据集有很多是异常数据,可能是由于录入错误或者采集中受到干扰等因素产生的错误数据。通常剔除异常数据的方法最常用的有如下两种。
寻找附近的点,当最近的点的距离大于某一个阈值的时候,就认为是异常点。当然也可以在限定距离内,包含的数据点少于某个数目的时候认为是异常点。
前者是基于距离,后者是基于密度。当然,还可以把两者结合,指定距离的同时也指定数目,这叫做COF。
5、数据的筛选
我们在预处理好数据之后,有时候数据的维度是很大的,出于经济性考虑,当然,需要降维或者特征选择。有时候降为和特征选择也会增加准确度。
降维通常使用PCA,主成分分析。直观上,就是把几个变量做线性组合,变成一个变量;特征选择则比较简单,就是选择相关性强的特征。
当然,PCA其实设计到矩阵的奇异值分解,具体的数学原理就不展开了。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-04【2025最新版】CDA考试教材:CDA教材一级:商业数据分析(2025)__商业数据分析_cda教材_考试教材 (cdaglobal.com) ...
2025-11-04在数字化时代,数据挖掘不再是实验室里的技术探索,而是驱动商业决策的核心能力 —— 它能从海量数据中挖掘出 “降低成本、提升 ...
2025-11-04在 DDPM(Denoising Diffusion Probabilistic Models)训练过程中,开发者最常困惑的问题莫过于:“我的模型 loss 降到多少才算 ...
2025-11-04在 CDA(Certified Data Analyst)数据分析师的工作中,“无监督样本分组” 是高频需求 —— 例如 “将用户按行为特征分为高价值 ...
2025-11-04当沃尔玛数据分析师首次发现 “啤酒与尿布” 的高频共现规律时,他们揭开了数据挖掘最迷人的面纱 —— 那些隐藏在消费行为背后 ...
2025-11-03这个问题精准切中了配对样本统计检验的核心差异点,理解二者区别是避免统计方法误用的关键。核心结论是:stats.ttest_rel(配对 ...
2025-11-03在 CDA(Certified Data Analyst)数据分析师的工作中,“高维数据的潜在规律挖掘” 是进阶需求 —— 例如用户行为包含 “浏览次 ...
2025-11-03在 MySQL 数据查询中,“按顺序计数” 是高频需求 —— 例如 “统计近 7 天每日订单量”“按用户 ID 顺序展示消费记录”“按产品 ...
2025-10-31在数据分析中,“累计百分比” 是衡量 “部分与整体关系” 的核心指标 —— 它通过 “逐步累加的占比”,直观呈现数据的分布特征 ...
2025-10-31在 CDA(Certified Data Analyst)数据分析师的工作中,“二分类预测” 是高频需求 —— 例如 “预测用户是否会流失”“判断客户 ...
2025-10-31在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28