Việc xử lý dữ liệu là một bước quan trọng trong việc giám sát việc học mà có thể ảnh hưởng đáng kể đến hiệu suất mô hình. nó bao gồm việc chuyển đổi dữ liệu thô thành một dạng thích hợp cho việc huấn luyện các thuật toán, mà có thể cải thiện độ chính xác và hiệu quả.

Name

Xử lý trước hiệu quả giúp xử lý các giá trị còn thiếu, giảm nhiễu và chuẩn hóa dữ liệu. Những bước này đảm bảo rằng các thuật toán học nhận được dữ liệu sạch và nhất quán, dẫn đến dự đoán tốt hơn.

Công nghệ thông thường trong tiến trình xử lý dữ liệu

  • Dữ liệu Thiếu hụt:) lấp đầy các giá trị bị thiếu với ý nghĩa, kiểu thức trung bình, hay chế độ.
  • Không có nhiệt hóa: Tính năng nâng cao đến một phạm vi cụ thể, chẳng hạn như 0 đến 1.
  • Đang chuyển đổi các biến phân loại thành các giá trị số bằng mã hoá nóng hay bảng mã nhãn.
  • Chọn : [FLT: 1] Chọn tính năng thích hợp để giảm chiều.

Tính toán trong tiến trình tiến hành dữ liệu

Tính toán liên quan đến nhiều kỹ thuật xử lý trước khi xử lý. ví dụ, sự bình thường hóa thường sử dụng sự tăng trưởng Min-max, tính toán như:

giá trị được quy mô = (giá trị - phút) / (xx - min))

Tương tự, giải quyết những dữ liệu bị mất có thể bao gồm tính toán giá trị:

bình phương = tổng giá trị / số giá trị