数据挖掘概念与技术

3.数据预处理：

在现实社会中的数据每每存在噪声数据、缺失值和不一致数据的问题。为了提升数据挖掘工做的效率和准确性，须要使用数据清理、数据集成、数据归约和数据变换等方法对数据进行预处理操做。

数据质量的三个要素是：准确性、完整性和一致性。

3.1 数据清理

数据清理试图填充缺失值、光滑噪声并识别离群点、纠正数据中的不一致。

3.1.1 缺失数据

对于缺失值，一般包含如下一些作法：

1. 忽略元组。（该方法比较暴力，在缺失几个字段时，直接摒弃这行数据记录）
2. 人工填写缺失值。
3. 使用一个全局常量填充缺失值。（例如，统一替换缺失的值为NULL）
4. 利用属性的中心度量（平均值/中位数）填充缺失值。 （例如，某位雇员的年收入字段缺失，利用全部雇员的年收入平均值后者中位数填充）
5. 使用与给定元组同一类的全部样本的属性均值或者中位数填充。（相比4更加合理，例如雇员的职位是基础工程师，那么拿全部基础工程师的年收入均值或者中位数填充）
6. 使用最可能的值填充。（得到最可能的值的方法，包括使用回归、贝叶斯形式化的方法基于推理工具或者决策树概括）

3.1.2 噪声数据

噪声数据是被测量的变量的随机偏差或方差。下面列举了一些“数据光滑”的技术。

1.分箱方法：

分箱方法经过考察数据的周围的值来光滑有序数据值。下边图表示了“用箱均值” 和 “用箱边界” 两种光滑手段，将有序的9个数字排序后放入3个箱子内。

 

2.回归：

用一个函数拟合数据来光滑数据。例如，线性回归是指找到拟合两个属性的最佳直线。

3.离群点分析：

经过聚类来检测离群点，通常认为，落在簇以外的点就是离群点。

3.1.3 数据清理过程

数据清理过程的第一步是误差检测。若是进行误差检测呢？ 首先应该了解元数据信息。例如，了解某个数据属性的均值、中位数、标准差等。第2步就是数据变换（纠正误差）了，可使用专门的工具，或者ETL来完成转换步骤。

3.2 数据集成

数据集成式合并来自多个数据源的数据，有效的数据集成能够减小数据集的冗余和不一致问题。

1. 实体识别问题：来自多个源的的等价实体如何才可以匹配上 ？

2. 数据冗余问题：