数据清洗
对于缺失值的处理,我们分为3类:删除数据,数据插补,不处理.数据的插值是取前后相邻几个数据的平均值作为插值,有拉格朗日插值法,牛顿插值法等.
数据规范化
数据规范化对于基于距离的挖掘算法很重要,将数据映射到0-1之间,或者-1-1之间.主要的方法有:最小-最大规范化,零-均值规范化,小数定标规范化
连续属性离散化
对于一些分类算法,如ID3算法和Apriori算法等,要求数据是分类形式.常用的方法有:等款法,等频法,基于聚类分析的方法(K-means).
属性构造
为了提取更有用的数据,提高挖掘的精度,需要再已有的数据集构造出新的属性特征,例如偷电漏电模型中构造出的线损率属性特征.