下列选项中采用边界值平滑_数据挖掘笔记（三）

1.原始数据存在的几个问题&＃xff1a;不一致&＃xff1b;重复&＃xff1b;含噪声&＃xff1b;维度高。

2.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。

3.数据挖掘中使用的数据的原则

应该是从原始数据中选取合适的属性作为数据挖掘属性&＃xff0c;这个选取过程应参考的原则是&＃xff1a;尽可能赋予属性名和属性值明确的含义&＃xff1b;统一多数据源的属性值编码&＃xff1b;去除惟一属性&＃xff1b;去除重复性&＃xff1b;去除可忽略字段&＃xff1b;合理选择关联字段。

4.处理空缺值的方法&＃xff1a;忽略该记录&＃xff1b;去掉属性&＃xff1b;手工填写空缺值&＃xff1b;使用默认值&＃xff1b;使用属性平均值&＃xff1b;使用同类样本平均值&＃xff1b;预测最可能的值。

5.噪声数据的处理方法&＃xff1a;分箱&＃xff1b;聚类&＃xff1b;计算机和人工检查结合&＃xff1b;回归

6.分箱&＃xff1a;分箱方法是一种简单常用的预处理方法&＃xff0c;通过考察相邻数据来确定最终值。所谓“分箱”&＃xff0c;实际上就是按照属性值划分的子区间&＃xff0c;如果一个属性值处于某个子区间范围内&＃xff0c;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&＃xff0c;考察每一个箱子中的数据&＃xff0c;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&＃xff0c;需要确定的两个主要问题就是&＃xff1a;如何分箱以及如何对每个箱子中的数据进行平滑处理。

分箱的方法&＃xff1a;有4种&＃xff1a;等深分箱法、等宽分箱法、最小熵法和用户自定义区间法。

统一权重&＃xff0c;也成等深分箱法&＃xff0c;将数据集按记录行数分箱&＃xff0c;每箱具有相同的记录数&＃xff0c;每箱记录数称为箱子的深度。这是最简单的一种分箱方法。

统一区间&＃xff0c;也称等宽分箱法&＃xff0c;使数据集在整个属性值的区间上平均分布&＃xff0c;即每个箱的区间范围是一个常量&＃xff0c;称为箱子宽度。

用户自定义区间&＃xff0c;用户可以根据需要自定义区间&＃xff0c;当用户明确希望观察某些区间范围内的数据分布时&＃xff0c;使用这种方法可以方便地帮助用户达到目的。

例&＃xff1a;客户收入属性income排序后的值(人民币元)&＃xff1a;800 1000 1200 1500  1500 1800 2000 2300 2500 2800 3000 3500 4000 4500 4800 5000&＃xff0c;分箱的结果如下。

统一权重&＃xff1a;设定权重(箱子深度)为4&＃xff0c;分箱后

箱1&＃xff1a;800 1000 1200 1500

箱2&＃xff1a;1500 1800 2000 2300

箱3&＃xff1a;2500 2800 3000 3500

箱4&＃xff1a;4000 4500 4800 5000

统一区间&＃xff1a;设定区间范围(箱子宽度)为1000元人民币&＃xff0c;分箱后

箱1&＃xff1a;800 1000 1200 1500 1500 1800

箱2&＃xff1a;2000 2300 2500 2800 3000

箱3&＃xff1a;3500 4000 4500

箱4&＃xff1a;4800 5000

用户自定义&＃xff1a;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&＃xff0c;分箱后

箱1&＃xff1a;800

箱2&＃xff1a;1000 1200 1500 1500 1800 2000

箱3&＃xff1a;2300 2500 2800 3000

箱4&＃xff1a;3500 4000

箱5&＃xff1a;4500 4800 5000

7.数据平滑方法&＃xff1a;按平均值平滑、按边界值平滑和按中值平滑。

⑴按平均值平滑

对同一箱值中的数据求平均值&＃xff0c;用平均值替代该箱子中的所有数据。

⑵按边界值平滑

用距离较小的边界值替代箱中每一数据。

⑶按中值平滑

取箱子的中值&＃xff0c;用来替代箱子中的所有数据。

8.聚类&＃xff1a;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。

找出并清除那些落在簇之外的值(孤立点)&＃xff0c;这些孤立点被视为噪声。

9.回归&＃xff1b;试图发现两个相关的变量之间的变化模式&＃xff0c;通过使数据适合一个函数来平滑数据&＃xff0c;即通过建立数学模型来预测下一个数值&＃xff0c;包括线性回归和非线性回归。

10.数据集成&＃xff1a;将多文件或者多数据库中的异构数据进行合并&＃xff0c;然后存放在一个一致的数据存储中。考虑以下几个问题&＃xff1a; 1.模式匹配2.数据冗余3.数据值冲突

11. 数据变换&＃xff1a;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

12.数据集成&＃xff1a;将多文件或者多数据库中的异构数据进行合并&＃xff0c;然后存放在一个一致的数据存储中。考虑以下几个问题&＃xff1a; 1.模式匹配2.数据冗余3.数据值冲突

13.数据归约&＃xff1a;目的是为了获得比原始数据小的多的&＃xff0c;但不破坏数据完整性的挖掘数据集&＃xff0c;该数据集可以得到与原始数据相同的挖掘结果。

数据归约的方法&＃xff1a; 1.数据立方体聚集&＃xff1a;把聚集的方法用于数据立方体。2.维归约&＃xff1a;检测并删除不相关、弱相关或冗余属性。3.数据压缩&＃xff1a;选择正确的编码压缩数据集。4.数值压缩&＃xff1a;用较小的数据表示数据&＃xff0c;或采用较短的数据单位&＃xff0c;或者用数据模型代表数据。5.离散化和概念分层生成&＃xff1a;使连续的数据离散化&＃xff0c;用确定的有限个区段值代替原始值&＃xff1b;概念分层是指用较高层次的概念替换低层次的概念&＃xff0c;以此来减少取值个数。

14.数据立方体聚集 &＃xff1a;是数据的多维建模和表示&＃xff0c;由维和事实组成。

维归约&＃xff1a;去掉不相关的属性&＃xff0c;减少数据挖掘处理的数据量。

属性子集选择的基本方法包括以下几种&＃xff1a; 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

数据压缩&＃xff1a;方法分为两类&＃xff1a;无损压缩和有损压缩

数值归约常用的方法: 1.直方图2.聚类3.抽样&＃xff1a;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

15.数据变换涉及以下几个方面&＃xff1a;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

*规范化&＃xff1a;(1)最小—最大规范化。原取值区间[old_min&＃xff0c;old_max]&＃xff0c;规范化后的新的取值区间[new_min&＃xff0c;new_max]。

x’&＃61;  其中&＃xff1a;x是属性的真实值&＃xff0c;x’是规范化后的值。

例如&＃xff1a;“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&＃xff0c;98000]&＃xff0c;要把这个属性值规范到[0&＃xff0c;1]&＃xff0c;对属性值73600应用上述公式&＃xff1a;

x’&＃61;(1.0-0)&＃43;0&＃61;0.716

根据精度要求保留小数(假设精度要求0.01)&＃xff0c;最终取值0.72就是属性值73600规范化后的值。

(2)零—均值规范化(z—score规范化)&＃xff0c;是根据属性值的平均值和标准差进行规范化&＃xff0c;即&＃xff1a;

x’&＃61;   &＃61;  &＃61;    为所有样本属性值的平均值&＃xff0c;为样本的标准差。当属性值范围未知的时候&＃xff0c;可以使用此方法进行规范化。

例&＃xff1a;假设某属性的平均值和标准差分别为80、25&＃xff0c;采用零&＃xff0d;均值规范化66为&＃xff1a;x’&＃61;&＃61;-0.56

(3)小数定标规范化&＃xff1a;通过移动属性A的小数点位置进行规范化 。

x’&＃61; 为满足式<1的最小整数。

例&＃xff1a;假设某属性规范化前的取值范围为[-120&＃xff0c;110]&＃xff0c;采用小数定标规范化66。由于该属性的最大绝对值为120&＃xff0c;则由<1可得出&＃61;3&＃xff0c;因此&＃xff0c;66规范化后为&＃xff1a;x’&＃61;&＃61;0.066