数据挖掘之数据准备——丢失数据
对数据挖掘的实际应用而言，即使数据量很大，具有完整数据的案例子集可能相对较小。可用的样本和将来的事件都可能有丢失值。一些数据挖掘方法可以接受丢失值，并能进行圆满的处理，得到最终结论。一个明显的问题是，在应用数据挖掘方法之前的数据准备阶段，能否把这些丢失值补上。最简单的解决办法是减少数据集，去除包含丢失值的所有样本。若大型数据集是可用的，且只有一小部分样本包含丢失值，则这是可行的。
如果不去除丢失值的样本，如何找到他们的丢失值呢？
首先，数据挖掘者和领域内专家可手动检查缺失值样本，再根据姜堰加入一个合理的，可能的，预期的值。对丢失值较小的数据集合来说，这种方法简单明了。但是如果每个样本的值都不明显或似是而非，挖掘者就要手动生成一个值，从而把噪点引入数据集
第二种方法消除丢失值的一个更简单的解决方案，这种方法基于一种形式，常常用一些常量自动替换丢失值 如
1） 用一个全局常量替换所有的丢失值
2）用特征平均值替换丢失值
3）用给定种类的特征平均值替换丢失值
这些方法简单具有诱惑力，但是主要缺点是替代之并不准确。用常量替换丢失值或改变少数不同特征的值，数据就会有误差。替代值会均话带有丢失值的样本，给丢失值最多的类别生成一致的子集。如果所有特征的丢失值都用一个全局变量来替代，一个未知值可能会暗中形成一个未经客观证明的正因数
最后一种方法是，数据挖掘者可以生成一个预测模型，来预测每个丢失值。如果丢失值与其他已知特征高度有关，这样的处理就可以为特征生成最合适的值。
一般来讲，用简单的人工数据准备模式来替代丢失值是有风险的，常常有误导作用。最好对带有和不带有丢失值的特征生成多种数据挖掘解决方案，然后对他们进行分析和解释