更好的数据胜过更高级的算法

更好的数据>更高级的算法

数据清理是每个人都要做的事情之一，但很少有人专门讨论这件事，原因很简单，这不是机器学习的“最性感”的部分。而且，没有什么可供挖掘的隐藏技巧和秘密。

但事实上，数据清理可能会加快或中断整个项目进程，专业的数据科学家通常在此步骤上花费很大一部分时间。

他们为什么要这么做呢？机器学习中存在一个很简单的事实：

更好的数据胜过更高级的算法。

换句话说，输入垃圾数据，得到的也是垃圾结果。

如果我们的数据集经过了正确的清洗，那么即使是简单的算法也可以从中得到深刻的启发！

不同类型的数据需要不同的清洗方法，但是本文中阐述的系统方法可以作为一个很好的学习起点。

删除不需要的观测结果

数据清理的第一步是从数据集中删除不需要的观测结果，包括重复或不相关的观测结果。

1. 重复的观测结果

重复的观测结果最常见于数据收集期间，例如：

• 合并多个来源的数据集时
• 抓取数据时
• 从客户/其他部门接入数据时

2. 不相关的观测结果

不相关的观测结果实际上与我们要解决的特定问题不符。

例如，如果我们仅为单户住宅构建模型，则不希望对其中的公寓也进行观测。

这时候，我们也可以在上一步的探索性分析中判断出来。我们可以查看类别特征的分布图，以查看是否有不相关的类存在。

在做工特征工程之前，我们也可以检查是否存在不相关的观察结果。

修复结构性错误

结构性错误是在测量、数据传输或其他的“不良内部管理”过程中出现的错误。

例如，我们可以检查拼写错误或大小写不一致的问题。这些主要和分类特征有关。

这是一个例子：

从上图中可以看到：

• “Composition”与“composition”相同
• “asphalt”应为“Asphalt”
• “ shake-shingle”应为“ Shake Shingle”
• “asphalt,shake-shingle”也可能只是“Shake Shingle”

替换错字和大小写不一致后，整个分类变得更加整洁：

最后，检查标签错误的类，即实际上应该相同的类。

例如：如果“N/A”和“Not Applicable”显示为两个单独的类，则应将其合并。

例如：“ IT”和“ information_technology”应该是同一个类。

过滤不需要的异常值

异常值可能会导致某些模型出现问题。例如，线性回归模型对异常值的鲁棒性不如决策树模型。

通常，如果我们有合理的理由要删除异常值，则可以提高模型的性能。

但是，在证明异常值无用之前，我们永远不要仅仅因为它是一个“大数字”就删除它，因为这个数字可能对我们的模型有很大帮助。

这一点很重要：在删除异常值之前必须要有充分的理由，例如不是真实数据的可疑度量。

处理缺失的数据

在机器学习应用过程中，数据缺失看上去是一个很棘手的问题。

为了清楚起见，我们不能简单地忽略数据集中的缺失值。由于大多数算法都不接受缺失值，因此，我们必须通过某种方式来处理这一点。

1. “常识”在这里并不灵验

根据我们的经验，处理丢失数据的两种最常用的推荐方法实际上都不怎么有用。

这两种方法分别是：

1、删除具有缺失值的观测值

2、根据其他观察结果估算缺失值

删除缺失值不是最佳选择，因为删除观察值时会删除信息。

• 缺失值本身可能会提供一些参考
• 在现实世界中，即使缺少某些功能，我们也经常需要对新数据进行预测

插入缺失值也不是最佳选择，因为该值最初是缺失的，但如果我们将其填充，无论插入缺失值的方法多么精确得当，总是会导致信息丢失。

同样，“遗漏”本身几乎总是有用的，我们应该告诉算法是否存在缺少值。

即使我们重新建立了模型来估算值，也没有添加任何实际信息——这样做仅仅在增强其他功能已经提供的模式。

丢失数据就像丢失了一块拼图。如果将其放下，就好像在假装不存在拼图槽；如果进行估算，那就像是试图从拼图上的其他地方挤一块儿进去。

简而言之，自始至终，我们都应该告诉算法，缺少值是因为缺少可提供信息。

具体怎么做呢？告诉算法该值一开始就已丢失。

2. 缺少分类特征的数据

处理分类特征缺失的数据的最佳方法是简单地将其标记为“缺失”！

• 这样做实质上是在为该特征添加新的类。
• 告诉算法缺少该值。
• 满足了技术需求，即要求没有任何缺失值。

3. 缺少数字数据

对于缺少的数字数据，应标记并填充值。

1、使用缺失的指示变量标记观察结果；

2、为了满足没有任何缺失值的技术需求，用0填充原始丢失值。

通过标记和填充，从本质上讲，我们可以让该算法估算缺失的最佳常数，而不仅仅是用均值填充。