数据预处理的常用流程
- 去除唯一属性
- 处理缺失值
- 属性编码
- 数据标准化
- 特征选择
- 主成分分析
缺失值处理的三种方法
- 直接使用含有缺失值的特征
对于某些算法可以直接使用含有缺失值的特征比如决策树
2.删除含有缺失值的特征
3.缺失值的补全
补全方法：
- 均值插补
样本属性可以度量使用平均值进行插补，样本属性不可度量使用有效值的众数进行插补
- 用同类均值插补
首先将样本分类，然后以该类中样本的均值进行插补
- 建模预测
- 高维映射
将属性映射到高维空间
- 多重插补
步骤：
- 通过变量之间的关系对缺失值进行预测，利用蒙特卡洛方法生成多个完整的数据集
- 在每个完整的数据集上面进行训练，得到训练后的模型及评价函数值
- 对来自各个完整的数据集的结果，根据评价函数进行选择，选择评价函数最大的模型其对应值就是最后插补值
- 极大似然估计
- 压缩感知以及矩阵补全
利用信号本身所具有的稀疏性，从部分信号中恢复原信号，氛围感知观测和重构恢复两个阶段
特征编码
特征二元化
将数值型属性转换为布尔值的属性
独热编码
采用N位状态寄存器对N个可能的取值进行编码
能够处理非数值型属性，在一定程度上扩充了特征，编码之后属性是稀疏的存在大量零元分量
特征选择
特征选择的方法大致分为三类
- 过滤式
- 包裹式
- 嵌入式
