机器学习--数据质量分析

文章目录

• 前言
• 1.缺失值分析
• 2.异常值分析
• 3.一致性分析

 

前言

数据质量分析是数据挖掘中数据准备过程的重要一环，是数据预处理的前提，也是数据挖掘分析结论有效性和准确性的基础。
数据质量分析的主要任务是检查原始数据中是否存在脏数据，脏数据一般是指不符合要求，以及不能直接进行相应分析的数据。在常见的数据挖掘工作中，脏数据包括如下内容：
缺失值。
异常值。
不一致的值。
重复数据及含有特殊符号（如#、¥、*)的数据。

1.缺失值分析

有些信息暂时无法获取，或者获取信息的代价太大；有些信息是被遗漏的。可能是因为输人时认为不重要、忘记填写或对数据理解错误等一些人为因素而遗漏，也可能是由于数据采集设备的故障、存储介质的故障、传输媒体的故障等非人为原因而丢失。有些是属性值不存在。在某些情况下，缺失值并不意味着数据有错误。对一些对象来说某 些属性值是不存在的，如一个未婚者的配偶姓名、一个儿童的固定收人等。

缺失值的影响
1)数据挖掘建模将丢失大量的有用信息。
2)数据挖掘模型所表现出的不确定性更加显著，模型中蕴涵的规律更难把握。
3)包含空值的数据会使建模过程陷人混乱，导致不可靠的输出。

*使用简单的统计分析，可以得到含有缺失值的属性的个数，以及每个属性的未缺失数、 缺失数与缺失率等。
*从总体上来说，缺失值的处理分为删除存在缺失值的记录、对可能值进行插补和不处理 3种情况

2.异常值分析

异常值是指样本中的个别值，其数值明显偏离其余的观测值。异常值也称为离群点，异常值的分析也称为离群点分析。
异常值分析是检验数据是否有录人错误以及含有不合常理的数据。忽视异常值的存在是十分危险的，不加剔除地把异常值包括进数据的计算分析过程中，对结果会产生不良影响； 重视异常值的出现，分析其产生的原因，常常成为发现问题进而改进决策的契机。

异常值分析方法：
(1)简单统计量分析
可以先对变量做一个描述性统计，进而查看哪些数据是不合理的。最常用的统计量是最大值和最小值，用来判断这个变量的取值是否超出了合理的范围。如客户年龄的最大值为 199岁，则该变量的取值存在异常。
(2)3σ原则
如果数据服从正态分布，在3σ原则下，异常值被定义为一组测定值中与平均值的偏差超过3倍标准差的值。在正态分布的假设下，距离平均值3σ之外的值出现的概率为P(|x−μ|>3σ)≤0.003,属于极个别的小概率事件。
如果数据不服从正态分布，也可以用远离平均值的多少倍标准差来描述。
(3)箱型图分析
箱型图提供了识别异常值的一个标准：异常值通常被定义为小于QL−1.5IQR或大于QU+1.5IQR的值。QL称为下四分位数，表示全部观察值中有四分之一的数据取值比它小;QU称为上四分位数，表示全部观察值中有四分之一的数据取值比它大；IQR称为四分位数间距，是上四分位数QU与下四分位数QL之差，其间包含了全部观察值的一半。
箱型图依据实际数据绘制，没有对数据作任何限制性要求 (如服从某种特定的分布形式)，它只是真实直观地表现数据分布的本来面貌；另一方面，箱型图判断异常值的标准以四分位数和四分位距为基础，四分位数具有一定的鲁棒性：多达25%的数据可以变得任意远而不会很大地扰动四分位数，所以异常值不能对这个标准施加影响。由此可见，箱型图识别异常值的结果比较客观，在识别异常值方面有一定的优越性。

3.一致性分析

数据不一致性是指数据的矛盾性、不相容性。直接对不一致的数据进行挖掘，可能会产生与实际相违背的挖掘结果。在数据挖掘过程中，不一致数据的产生主要发生在数据集成的过程中，这可能是由于被挖掘数据是来自于从不同的数据源、对于重复存放的数据未能进行一致性更新造成的。例如，两张表中都存储了用户的电话号码，但在某些用户的电话号码发生改变时只更新了一张表中的数据，那么这两张表中就有了不一致的数据。