数据预处理

数据挖掘中主要用于数据预处理的方法有以下几种：

1. 聚集（Aggregation）

2. 抽样（Sampling）

3. 维归约（DimensionalityReduction）

4. 特征子集选择（Feature subset selection）

5. 特征创建（Feature creation）

6. 离散化（Discretization）和二元化（Binarization）

7. 属性变换

练习时测试用的测试数据集可以在【Repository>>Samples>>data】中获取示例数据集；

聚集（Aggregation）

聚集是指将两个或多个对象合并成单个对象；

聚集的目的

– 减少数据

· 减少属性或数据对象的个数

· 节省数据挖掘算法的运行时间和空间

– 尺度提升

· 城市聚集成区域、省、国家，等等

· 产生新的模式

– 更“稳定”的数据

· 聚集的数据会有较小的变异性

· 突出数据的趋势和轨迹

聚集方法在Rapidminer中的实现：

Rapidminer中聚集对应的算子是【Aggregate】；

>>基本流程

>>参数面板

抽样（Sampling）

抽样是指选择数据对象子集，抽取的对象称作样本；

抽样的目的

降低数据处理的费用和时间；

随机抽样方式

· 无放回抽样：被选中的对象从待选对象集中删除；

· 有放回抽样：被选中的项不从待选对象集中删除，相同的对象可能被多次抽出；

随机抽样方法

· 简单随机抽样：选取任何对象的概率相等；

· 分层抽样：划分待选对象集为多个子集，分别从各个子集随机抽样（一般根据类标号划分子集），有以下2种方式：

- 每组大小不同，但从每组抽取的对象个数相同；

- 抽取的对象个数正比于组的大小；

抽样方法在Rapidminer中的实现

1）简单随机抽样（不放回） -> 【Sample】

>>基本流程

>>参数面板

几个Sample可选的区别：

absolute：按照指定样本容量进行抽样；
relative：按照指定样本抽取的比例进行抽取；
probablity：按照指定抽取比例，抽取接近该比例的样本，可以通过更改随机种子来修改这个随机值；

2）简单随机抽样（放回）-> 【Sample（Bootstrapping）】

这种抽样方法主要用于扩充样本容量，设置的抽取数量可以大于原数据集容量

>>基本流程

>>参数面板

3）随机分层抽样 -> 【Sample（Stratified）】

维归约（DimensionalityReduction）

维归约是指降低数据的维度，即减少数据属性的个数

维归约的目的

· 避免维灾难 (curse of dimensionality）；

· 降低数据挖掘算法的时间和内存需求；

· 使数据更容易可视化；

· 可以删除不相关的属性并降低噪声；

维归约的常用方法——主成份分析(PCA)

目标是找出新的属性（主成分）

– 原属性的线性组合

– 相互正交

– 捕获数据的最大变差

在Rapidminer中的实现

主成分分析PCA -> 【Principal Component Analysis】

>>基本流程

>>参数面板

dimensionality reduction 降维参数的几个可选值（主要用于删除异常点）：

none：保持原来的数据集规模；

keep_variance：删除原数据集中积累方差大于指定的阈值的记录；

fixed_number：输出的结果集保持在指定的数据容量；

特征子集选择（Feature subset selection）

特征子集选择是指选择一部分属性实施数据挖掘任务；

特征子集选择的目的

消除冗余特征和不相关特征

· 冗余特征

– 重复了包含在一个或多个其他属性中的许多信息

– 例子：产品的购买价格和所支付的销售税额

· 不相关特征

– 仅含有对于当前数据挖掘任务几乎无用的信息

– 例子：学生的ID号码对于预测学生的总平均成绩是不相关的

特征选择的常见方式和方法

1）嵌入方式 – 特征选择作为数据挖掘算法的一部分自然地出现（如构造决策树的算法）

2）过滤方式 – 在数据挖掘算法运行前进行特征选择

3）包装方式

• 穷举方法 – 尝试所有可能的特征子集，然后选取产生最好结果的子集

• 前向/后向选择方法

– 前：从空集开始逐步添加特征，选取产生最好结果的子集

– 后：从全集开始逐步删除特征，选取产生最好结果的子集

※一般使用包装方法时，不会使用穷尽方法，而是使用向前/向后选择方法；

在Rapidminner中的实现

1）手动设置特征选择参数 -> 【Select Attributes】

>>基本流程

>>参数面板

常用的attribute filter type:

subset：选择属性子集；

regular_expression：对所有属性使用正则表达式过滤（主要用于字符串特征处理）；

numeric_value_filter：对所有numeric类型数据使用指定规则进行过滤（主要用于序数、区间、比率类型进行处理）；

value_type：对所有子集进行数据类型过滤；

2）向前/向后选择方法 -> 【Optimize Select】

>>基本流程

3）穷举方法 ->【Optimize Select（Brute Force）】

方式基本同向前/向后选择方法；

特征创建（Feature creation）

特征创建是指由原来的属性创建新的属性集

特征创建的目的

– 更有效地捕获数据集中的重要信息

– 消除噪声的影响

– 新属性个数比原来的属性个数少，可以取得降维的所有好处

三种创建新属性的方法

– 特征提取：依赖于特定领域，比如人脸识别

– 映射数据到新空间：如傅立叶变换(Fourier transform)

– 特征构造：如密度=质量/体积

在Rapidminer中的实现

创建新的特征属性：【Generate Attribute】

傅里叶变换：【Fourier transition】

离散化（Discretization）和二元化（Binarization）

离散化是指将连续属性转变成离散属性

离散化目的

– 使数据能运用于不能处理连续属性的数据挖掘算法（主要目的）

– 降低离群点/异常点的影响

二元化

– 离散化的一种特例

– 将连续属性转变成二元属性

离散化方法

①监督（supervised）方法 ——使用类标

– 基于熵（entropy）的方法：找产生最小总熵的分界点

– 熵（物理）：事物内部元素分布的均匀程度；元素分布越均匀，熵越高

– 熵（信息）：数值区间内类分布的均匀程度；类分布越均匀，熵越高

– 总熵是分区熵的加权平均

②非监督（unsupervised）方法——不使用类标

等宽离散化

等频离散化：在K均值离散化不起作用时使用；

K均值离散化：一般使用；

在Rapidminer中的实现

离散化监督方法：【Discretive by Entropy】

等宽离散化：【DIscretive by Binning】

等频离散化：【Discretive by Frequency】

属性/变量变换

• 变量变换是指变换变量的所有取值

– 简单函数: xk, log(x), ex, |x|

– 标准化或规范化

• 例子：将一个变量标准化成一个具有均值0和标准差1的新变 x’=(x-mean(x))/std(x)

变量变换的目的

– 将数据转换成特定分布（如正态分布）的数据

– 压缩数据

– 相似度/相异度计算时统一属性的尺度

在Rapidminer中的实现

属性变换：【Normailze】

常用method参数列表：

z-transformation 标准化转换

range transformation 值域转化（常用于压缩属性）；