我們在做數(shù)據(jù)挖掘工作或?qū)W習數(shù)據(jù)挖掘課程的時候需要注意很多的事情，在這篇文章中我們就從數(shù)據(jù)轉換成文本、數(shù)據(jù)裝箱、Naive Bayes算法、聚類分析模型這四個方面講解需要注意的地方。希望這篇文章能夠幫助到大家。

1.數(shù)字轉換文本

我們在進行將數(shù)字轉換為文本的時候，通常執(zhí)行編碼是為了簡化數(shù)據(jù)輸入或者節(jié)省數(shù)據(jù)庫的存儲空間，不過此編碼可能導致值的性質(zhì)和意義不明確。此外，由于離散值以數(shù)字形式存儲，當我們在應用程序之間移動數(shù)據(jù)時，可能會遇到數(shù)據(jù)類型轉換錯誤，這些值可能被計算或被視為連續(xù)值。若要避免此類問題，應該在開始數(shù)據(jù)挖掘之前，將數(shù)值標簽轉換回離散的文本標簽。

2.數(shù)字裝箱

在進行對數(shù)字進行裝箱的時候，從原則來說，所有數(shù)值都是無限的并因此是連續(xù)的，但在我們對信息進行建模時，可能會發(fā)現(xiàn)將可用值離散化或裝箱可能更有效。我們可以通過許多方式將數(shù)據(jù)裝箱，第一種方式就是指定數(shù)目有限的存儲桶并且讓算法對存儲桶中的值進行排序。這是我們通過創(chuàng)建某些分組集合，自己預先對值進行分組。使用此方法，這樣常常會喪失值的真正分布，但范圍更易于用戶讀取。讓算法確定存儲桶的最佳數(shù)目以及值的分布。這是大多數(shù)工具中的默認行為，但我們可以在數(shù)據(jù)挖掘工具欄向?qū)е兄貙戇@些默認行為。而某些在外接程序中使用的算法需要特定的數(shù)據(jù)類型或內(nèi)容類型才能創(chuàng)建模型。這樣就需要我們對算法的使用多加重視。

3.Naive Bayes模型，

一般來說，Naive Bayes 算法不能使用連續(xù)列作為輸入。這意味著，我們必須對數(shù)字裝箱，或者如果值足夠少，可以按離散值處理。當然此類模型也不能預測連續(xù)值。因此，如果要預測連續(xù)數(shù)字，應先將值裝箱到有意義的范圍中。如果不確定合適的范圍，可以使用聚類分析算法確定數(shù)據(jù)中的數(shù)字聚類?；诖怂惴ㄊ褂孟?qū)r，向?qū)B續(xù)列裝箱。

4.聚類分析模型

在聚類分析模型中，聚類分析工具也不能使用連續(xù)數(shù)字，但這兩個工具都會自動對數(shù)字列裝箱。這兩種工具都向您提供選項以便可以選擇結果中輸出類別的數(shù)目，但是，如果想要控制對單獨列中的值進行分組的方式，則應該通過所需分組來創(chuàng)建新列。

在這篇文章中我們給大家介紹了很多數(shù)據(jù)挖掘中需要注意的地方，具體就是數(shù)據(jù)轉換成文本、數(shù)據(jù)裝箱、Naive Bayes算法、聚類分析模型的相關知識。當然，這些都是在數(shù)據(jù)挖掘工作中需要注意的事情，我們在做數(shù)據(jù)挖掘工作或?qū)W習過程中一定要重視這些細節(jié)。