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

править

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

править

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

править

Примечания

править
  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.
  2. Pyle, 1999.
  3. Chicco, 2017, с. 1—17.
  4. Wu, 2013.

Литература

править

Ссылки

править