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 | править код]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:
- очистку
- отбор экземпляров[англ.]
- нормализацию
- преобразование данных[англ.]
- выделение признаков
- отбор признаков
и прочие манипуляции с данными.
Результатом предварительной обработки данных является конечный тренировочный набор[англ.].
Методы
[править | править код]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 | править код]- Очистка данных
- Редактирование данных[англ.]
- Уплотнение данных[англ.]
- Первичная обработка данных[англ.]
Примечания
[править | править код]- ↑ 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
[править | править код]- 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
[править | править код]- Online Data Processing Compendium Архивная копия от 27 марта 2022 на Wayback Machine
 | В статье есть список источников, но не хватает сносок. |
