浙江大学远程教育学院 DISTANCELEARN I NGSCHOOLOFZHEJI ANGUN I VERS I TY 任课教师:王灿 课程代码:0703004 课程名称:数据挖掘 第 7-8讲 教师E-mai:sjwj@dlc.zju.edu.cn
7-8 王 灿 数据挖掘 sjwj@dlc.zju.edu.cn 0703004
数据预处理
数据预处理
为什么要预处理数据? 现实世界的数据是“肮脏的”——数据多了, 什么问题都会出现 口不完整的:有些感兴趣的属性缺少属性值,或仅包 含聚集数据 a含噪声的:包含错误或者“孤立点” 口不一致的:在编码或者命名上存在差异 ■没有高质量的数据,就没有高质量的挖掘结果 口高质量的决策必须依赖高质量的数据 ¤数据仓库需要对高质量的数据进行一致地集成
为什么要预处理数据？ ◼ 现实世界的数据是“肮脏的”——数据多了， 什么问题都会出现 ❑ 不完整的：有些感兴趣的属性缺少属性值，或仅包 含聚集数据 ❑ 含噪声的：包含错误或者“孤立点” ❑ 不一致的：在编码或者命名上存在差异 ◼ 没有高质量的数据，就没有高质量的挖掘结果 ❑ 高质量的决策必须依赖高质量的数据 ❑ 数据仓库需要对高质量的数据进行一致地集成
数据质量的多维度量 个广为认可的多维度量观点 精确度 口完整度 a一致性 口合乎时机 a可信度 口附加价值 口可访问性 跟数据本身的含义相关的 口内在的、上下文的、表象的
数据质量的多维度量 ◼ 一个广为认可的多维度量观点： ❑ 精确度 ❑ 完整度 ❑ 一致性 ❑ 合乎时机 ❑ 可信度 ❑ 附加价值 ❑ 可访问性 ◼ 跟数据本身的含义相关的 ❑ 内在的、上下文的、表象的
数据预处理的主要任务 数据清理 ¤填写空缺的值,平滑噪声数据,识别、删除孤立点,解决不 致性 ■数据集成 ¤集成多个数据库、数据立方体或文件 ■数据变换 a规范化和聚集 数据归约 a得到数据集的压缩表示,它小得多,但可以得到相同或相近 的结果 数据离散化 口数据归约的一部分,通过概念分层和数据的离散化来规约数 据,对数字型数据特别重要
数据预处理的主要任务 ◼ 数据清理 ❑ 填写空缺的值，平滑噪声数据，识别、删除孤立点，解决不 一致性 ◼ 数据集成 ❑ 集成多个数据库、数据立方体或文件 ◼ 数据变换 ❑ 规范化和聚集 ◼ 数据归约 ❑ 得到数据集的压缩表示，它小得多，但可以得到相同或相近 的结果 ◼ 数据离散化 ❑ 数据归约的一部分，通过概念分层和数据的离散化来规约数 据，对数字型数据特别重要