# 通過數據預處理提高模型精度 > 原文： [https://machinelearningmastery.com/improve-model-accuracy-with-data-pre-processing/](https://machinelearningmastery.com/improve-model-accuracy-with-data-pre-processing/) 數據準備可以決定您模型的預測能力。 在他們的書 [Applied Predictive Modeling](http://www.amazon.com/dp/1461468485?tag=inspiredalgor-20) 的第3章中，Kuhn和Johnson介紹了數據準備過程。他們將其稱為訓練集數據的添加，刪除或轉換。 在這篇文章中，您將發現可用于提高模型預測能力的數據預處理步驟。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/08/i-love-spreadsheets.jpg) 我喜歡電子表格 照片由 [Craig Chew-Molding](https://www.flickr.com/photos/craigmoulding/8399214678) ，保留一些權利 ## 數據準備 在建模問題之前，您必須預先處理原始數據。具體準備工作可能取決于您可用的數據和您要使用的機器學習算法。 有時，數據的預處理可能會導致模型精度的意外改善。這可能是因為數據中的關系已被簡化或未被遮擋。 [數據準備](http://machinelearningmastery.com/how-to-prepare-data-for-machine-learning/ "How to Prepare Data For Machine Learning")是一個重要的步驟，您應該嘗試適合您的數據的數據預處理步驟，看看您是否能夠獲得模型精度的理想提升。 您可以為數據考慮三種類型的預處理： * 為數據添加屬性 * 從數據中刪除屬性 * 轉換數據中的屬性 我們將深入研究這三種預處理中的每一種，并查看您可以執行的一些特定操作示例。 ## 添加數據屬性 高級模型可以從復雜屬性中提取關系，盡管某些模型要求明確說明這些關系。從訓練數據中獲取新屬性以包含在建模過程中可以提高模型表現。 * **虛擬屬性**：分類屬性可以轉換為n二進制屬性，其中n是屬性具有的類別（或級別）的數量。這些非規范化或分解的屬性稱為虛擬屬性或虛擬變量。 * **轉換后的屬性**：可以將變換后的屬性變量添加到數據集中，以便允許線性方法利用屬性之間可能的線性和非線性關系。可以使用簡單的變換，如log，square和square root。 * **缺少數據**：缺少數據的屬性可以使用可靠的方法（例如k-最近鄰居）估算丟失的數據。 ## 刪除數據屬性 某些方法在冗余或重復屬性方面表現不佳。通過從數據中刪除屬性，可以提高模型的準確性。 * **投影**：訓練數據可以投影到較低維空間，但仍然表征數據中的固有關系。一種流行的方法是主成分分析（PCA），其中該方法找到的主要成分可以作為一組簡化的輸入屬性。 * **空間符號**：數據的空間符號投影將數據轉換到多維球體的表面。結果可用于突出顯示可以修改或從數據中刪除的異常值的存在。 * **相關屬性**：由于存在高度相關的屬性，某些算法的重要性會降低。可以識別具有高相關性的成對屬性，并且可以從數據中移除最相關的屬性。 ## 轉換數據屬性 訓練數據的變換可以減少數據的偏度以及數據中異常值的突出性。許多模型希望在應用算法之前轉換數據。 * **居中**：轉換數據，使其平均值為零，標準差為1。這通常稱為數據標準化。 * **縮放**：標準縮放變換是將原始比例的數據映射到0到1之間的比例。這通常稱為數據規范化。 * **刪除偏斜**：偏斜數據是指分布被推送到一側或另一側（更大或更小的值）而不是正態分布的數據。某些方法假設正常分布的數據，并且如果消除了偏斜，則可以更好地執行。嘗試使用值的日志，平方根或反轉替換屬性。 * **Box-Cox** ：Box-Cox變換或變換系列可用于可靠地調整數據以消除偏斜。 * **Binning** ：通過將值分組到bin中，可以使數字數據離散。這通常稱為數據離散化。此過程可以手動執行，但如果系統地執行并使用在域中有意義的啟發式自動執行則更可靠。 ## 摘要 數據預處理是準備原始數據進行建模，滿足特定機器學習算法數據期望所需的重要步驟，并且可以在模型精度方面帶來意想不到的提升。 在這篇文章中，我們發現了三組數據預處理方法： * 添加屬性 * 刪除屬性 * 轉換屬性 下次您希望提高模型精度時，請考慮您可以為數據設計哪些新視角，以便模型進行探索和利用。