《数据挖掘：理论与算法》学习笔记（二）—数据预处理（上）

数据预处理过程

数据清洗—>数据转换—>数据描述—>特征选择—>特征提取

为什么要进行数据预处理
原始的数据不利于直接进行数据挖掘，因为：

1. 数据不完整
2. 存在错误数据
3. 数据存在重复信息
4. 数据量过大
   等等。。。

如何解决丢失的数据问题

1. 进行选择性忽视
2. 人工补全（比如重新收集、经验填充）
3. 自动补全（利用数据的均值等）
   等等。。。

离群点（Outlier）

如何对这些离群点进行检测

离群是相对的概念

局部异常因子算法-Local Outlier Factor(LOF)

${distance}_k(B)$distancek​(B)：距离B第k远的点的距离
$d(A,B)$d(A,B)：A与B两点之间的距离
$lrd(A)$lrd(A)：点A的局部可达密度
（密度越高，我们认为越可能属于同一簇，密度越低，越可能是离群点。）
$LOF_k(A)$LOFk​(A)：局部离群因子
（如果这个比值越接近1，说明A的其邻域点密度差不多，A可能和邻域同属一簇；如果这个比值越小于1，说明p的密度高于其邻域点密度，A为密集点；如果这个比值越大于1，说明A的密度小于其邻域点密度，A越可能是异常点。 ）

Duplicate Data

两条数据可能对应的是同一个人，但数据的格式很有可能是不一样的

滑动窗口

高度近似的样本是彼此挨着的，可以使用滑动窗口

一般先创建关键字，然后进行排序再整合

数据类型转换和采样

数据的类型有很多种，连续型、离散型、文本数据…

格式不同同样会对我们对数据的处理带来很大的影响

采样
目的是为了提高数据处理效率

不平衡的数据

从上图可以看出，整体的准确率并不适用与不平衡的数据。分类器B的效果显然要比分类器A更好，但是它的整体准确率只有90%，小于分类器A的10%。
应该用下面的度量方式

其中混淆矩阵如下

F-measure和G-mean类似，只是角度不同而已

向上采样

如果两个类不均衡，比如红颜色远远多于蓝颜色，这样直接进行分类，会导致一些不太好的效果，比较好的一个思路是一个蓝颜色的点，找它的一个紧邻点，然后在该区域随机生成一个点

边缘采样

还有一种采样是提取边缘的点，有时候数据非常大，处理的话需要花费大量的时间，其实对于这些点来说，最外面的这些点是有价值的，我们可以只提取边缘的这些点，中间的这些数据可能并不参与到数据挖掘中。

我们可以根据密度或者法向量等的方法将边缘的点找出来，这样，我们只需要百分之几的点也能达到处理全部的数据的效果，为我们节省大量的时间。

标准化

我们拿到的原始数据可能变化不一，比如单位不统一等，所以我们需要对这些数据进行 Normalization。

有一种比较简单的方法就是将原始的数据映射到【0，1】区间。

数据描述
1、均值
2、中位数
3、Mode，频率最高的数据
4、Variance，衡量数据分布是密集还是分散

如何评价两件事情是否具有相关性

使用上图中概率论统计的公式：
r值大于0，两组数据正相关
r值小于0，两组数据负相关
r值等于0，两组数据不存在线性相关（但并不是不相关）