对于处理任务通常采用抽样策略。抽样程序应分析样本有多大，以及如何抽取样本以达到与原始数据类似的分布。
以下是常用的数据处理方法。
1、聚类分析：根据数据对象的相似性，将其划分为聚集的聚类，聚类内的对象应尽可能相似，聚类间的对象应尽可能不相似。发现任意形状的聚类、处理高维数据、处理噪音的能力以及获得可解释和易于使用的聚类结果是聚类分析的目标。
2、分类和预测：分类和数字预测是问题预测的两个主要类型。分类是一个有监督的学习过程，在这个过程中，通过对一组已知的训练特征的属性的描述，获得每个类别的描述或属性，以建立相应的分类器。
预测是使用数据挖掘工具来建立连续的函数模型，并从现有数据的探索中得出结论。
在技术上，有定性和定量的预测。定性预测是指根据用户的经验和判断，对被预测对象进行定性分析的过程；定量预测是利用数学模型，在历史统计数据的基础上，用数学方法获得变量之间的规律性关系。
3、相关分析：寻找事物之间的潜在关系的过程，这些关系看起来并不相关或相互依赖，但通过科学分析往往可以确定。关联分析通常使用Apriori算法与频繁关联规则来分析事物之间的依赖关系或关联，以找到它们之间的规律性，并根据规律性进行预测。
在实践中，得到的数据可能包含大量的缺失值、离群值等，这对数据分析非常不利。在这种情况下，我们需要对脏数据进行预处理，以获得标准化的、干净的、连续的数据，用于数据分析、数据挖掘等。
京公网安备 11010802030320号