Podatkovno rudarjenje

Ma'lumotlarni tayyorlash

• Qadriyatlar etishmayotgan
• Sana formati
• Nominal  raqamli
• Raqamli  nominal
• Chet elliklar
• Maydonni qisqartirish ("tegishli" atributlarni tanlash)
• Balanssiz ma'lumotlar

Qadriyatlar etishmayotgan

• Ko'p turli "kodlar",
• Ko'p turli sabablar,
• Qo'llash uchun juda ko'p turli xil usullar

KSP sana formati

1-yanvardan_boshlangan kunlar - 0,5

KSP sanasi = YYYY + ------------------------------------------

365 + 1_kabisa_yil

Kabisa yili, agar :

• 4 ga bo'linadigan,
• bundan mustasno, agar 100 ga bo'linsa (kabisa yili emas 1900)
• bundan mustasno, agar 400 ga bo'linadigan bo'lsa (2000 - kabisa yili)

Nominal  Raqamli

• Nima uchun atribut turini o'zgartirishimiz kerak?
• Chunki ba'zi algoritmlar faqat bitta turdagi ma'lumotlar bilan ishlay oladi,
• Chunki ba'zida turli xil ma'lumotlar turlari turli xil tushunchalarni taklif qilishi mumkin,
• Chunki algoritmlarni tezroq bajarish uchun ba'zan yig'ish kerak bo'ladi.

Nominal  raqamli

• Yondashuvlar:
• Ikki qiymat (ikkilik)  0 va 1 ga o'zgaradi
• (ikkidan ortiq) qiymatlar:
• Buyurtma qilingan  tartibni saqlang
• Tartibsiz  har bir qiymat o'zining 0-1 atributiga ega bo'ladi
• "Juda ko'p" tartibsiz qiymatlar:
• Atributni olib tashlash/e'tiborsizlik
• Kamroq uchraydigan qiymatlarni jamlash
• Yaxshilash 

Misol: so'rov javoblari

• Jins:
• Erkak ayol
• Erkak = 0, ayol = 1
• Daromad:
• unchalik emas, biroz, o‘rtacha, o‘rtachadan yuqori, ko‘p
• 1 2 3 4 5
• Avtomobilingiz rangi:
• kulrang, oq, qizil, qora, ko'k  5 ta yangi atribut