一、数据的相关问题
- 数据的质量
- 数据预处理，使数据更适合分析
- 根据数据联系分析数据，找到数据之间的联系，利用联系进行其余分析
二、名词解释
- 数据集：数据对象的集合
- 属性：对象的性质或特性
- 测量标度：将数值或符号值与对象的属性相关联的规则
数据集的特性
- 维度
- 稀疏性：非零项所占比例很小，只存非零项，可节省时间和空间
- 分辨率：影响数据的性质
数据清理：清理不真实或重复的对象（如人的身高2米，体重2kg）
涉及测量误差的问题：
噪声、伪像、偏倚、精度、准确率
涉及数据质量的问题：
离群点、遗漏、不一致的值、重复数据
数据收集错误：遗漏数据对象、不正确包含数据对象，也就是有其他相似但并不应该包含的数据的干扰
离群点：不同于数据集中其他大部分数据的对象
遗漏值：对象遗漏属性（比如有人不愿意透漏姓名、年龄）
聚集：将两个或多个对象合并成单个对象(如表1：学号姓名，表2学号成绩，聚集之后就变成一个表：学号姓名成绩)
抽样：选择数据对象子集进行分析的方法，数据挖掘中采用抽样是为了节省数据处理需要的时间、费用。
有效抽样的原理：样本越具代表性，效果越接近整个数据集
抽样方法：简单随机抽样（有放回、无放回），分层抽样（对于总体由不同类型对象组成，且数量差别很大）
