想让机器学习与商业结合，最重要的是什么？(11)_全文共6008字

\n \n

异常检测：负数年龄、浮点邮编和零值信用评分等都是无效数据，不修正这些数值会在培养模型时产生深刻的偏见。

\n \n

缺失/错误数值填充：显然，处理错误/缺失数值最常用的方法就是丢弃它们。另一个选择是填充。比如，用相应特征的平均数、中位数或众数来代替缺失/错误数值。还有一种方法是插值，如建构模型来预测缺失数值的情况下的特征。另外，填充中也可以运用领域知识。比方说处理病人数据时，有一项特征是推断病人是否患有癌症。如果缺失此类信息，可以参考其问诊数据，以确定此病人是否曾看过肿瘤科医生。

\n \n

虚拟编码和功能散列：这两种方法能很有效地把类别数据转换成数值，尤其在基于系数的算法中。比方说，有一项特征是州名，显示美国的各州名称（如FL ， CA ， AZ）。将FL编码为1 ， CA编码为2 ， AZ编码为3 ，会显示出秩序感和重量级。这意味着AZ会比FL面积更大，而CA的面积是FL的两倍大。一位独热编码——也称虚拟编码——提供的解决方案是将类别栏映射到多个双栏中，其中一栏为类别数值。