Предварительная обработка данных

Предварительная обработка данных является важным шагом в процессе интеллектуального анализа данных. Фраза «мусор на входе — мусор на выходе» применима, в частности, и для проектов интеллектуального анализа данных и машинного обучения. Здесь имеется в виду то, что даже самый изощренный анализ не принесет пользы, если за основу взяты сомнительные данные^[1].

Необходимость

Методы сбора данных часто плохо контролируются. Это приводит к появлению недопустимых значений (к примеру: доход, равный −100), комбинаций данных, которые невозможны (к примеру: «мужской пол при наличии беременности»), отсутствию значений и прочее. В результате анализа данных, которые не защищены от такого рода проблем, можно прийти к неверным выводам. Качество данных является первостепенной задачей при проведении анализа ^[2]. Часто, предварительная обработка данных становится важной фазой проекта обучения машины. Это особенно касается процессов вычислительной биологии^[3].

Во время тренировки машины, при большом количестве лишней информации, «зашумлённых» и недостоверных данных, извлечение знаний становится затруднительным. Этап подготовки и фильтрации данных может занять много времени. Предварительная подготовка данных включает в себя:

и прочие манипуляции с данными.

Результатом предварительной обработки данных является конечный тренировочный набор^[англ.].

Методы

Ниже приведено краткое описание методов, которые применяются на этапе предварительной обработки данных.

Очистка данных используется для обнаружения, исправления или удаления ошибочных записей в наборе данных^[4];
Нормализация данных используется для стандартизации диапазона значений независимых переменных или признаков данных (например, сведение к интервалам [0, 1] или [-1, +1]);
Преобразование данных^[англ.] используется для приведения данных в формат, который ожидает аудитория;
Выделение признаков используется для преобразования входных данных в набор признаков, которые они хорошо представляют;
Уплотнение данных^[англ.] используется для преобразования числовых данных в исправленный, упорядоченный и упрощённый вид. Это помогает уменьшить количество и/или размерность данных.

См. также

Примечания

↑ Чарльз Уилан. Голая статистика. — 2-е издание. — Москва: Манн, Иванов и Фербер, 2017. — С. 152—153. — 341 с. — ISBN 978-5-00100-823-1.
↑ Pyle, 1999.
↑ Chicco, 2017, с. 1—17.
↑ Wu, 2013.

Литература

Dorian Pyle. Data Preparation for Data Mining. — Los Altos, California: Morgan Kaufmann Publishers, 1999.
Wu S. A review on coarse warranty data and analysis // Reliability Engineering and System. — 2013. — Вып. 114. — doi:10.1016/j.ress.2012.12.021.
Chicco D. Ten quick tips for machine learning in computational biology // BioData Mining. — 2017. — Декабрь (т. 10, вып. 35). — doi:10.1186/s13040-017-0155-3. — PMID 29234465. — PMC 5721660.

Ссылки

Online Data Processing Compendium Архивная копия от 27 марта 2022 на Wayback Machine

[1] Чарльз Уилан. Голая статистика. — 2-е издание. — Москва: Манн, Иванов и Фербер, 2017. — С. 152—153. — 341 с. — ISBN 978-5-00100-823-1.

[_cd6ee3e7999fa44d-2] Pyle, 1999.

[_eb495dbb7b1b4477-3] Chicco, 2017, с. 1—17.

[_e7dc7e7b4972153b-4] Wu, 2013.

[1]

[2]

[3]

[4]