数据

一、数据知识

如果若干属性是强相关的，则说明这些属性可能提供了高度冗余的信息，我们可以决定只保留一个。

二、数据预处理

1、维规约：

通过创建新属性，将一些旧属性合并在一起来降低数据的维度。通过选择旧属性的子集得到的新属性，这种维规约称为特征子集选择。

2、维灾难：

数据维度（属性）过高。数据稀疏，对于分类，没有足够多的数据用于建模；对于聚类，点之间的密度和距离定义失去了意义，分类准确率降低。

3、数据离散化：

将连续型变量离散化为离散型变量。

（1）非监督离散化：

2_01.png

<em>这里注意K均值离散化是什么样的技术，去寻找资料。</em>

（2）监督离散化：

计算熵，希望获得最小的熵：
)
其中e为该区间的熵。
若纯：对于pij = 0或者1，ei = 0
若不纯：则熵最大。

4、变量变换

标准化：创建一个变量，使得它有均值为0，标准差为1
均值和标准差受离群点的影响很大，通常需要使用其他变化，用中位数（median）代替均值，使用绝对标准差（absolute standard deviation）取代标准差。绝对标准差：

三、属性的相似度和相异度

1、相异度，距离

闵可夫斯基距离（Minkowski distance）：
=\left(\sum_{k=1}^{{n}\left|x_{k}-y_{k}\right|}{r}\right)^{\frac{1}{r}})
注：r=1时，曼哈顿距离。r=2时，欧几里得距离。r=无穷时，上确界距离。
距离的性质：
（1）非负性；（2）对称性；（3）三角不等式。

2、相似度

（1）简单匹配系数（Simple Matching Coefficient，SMC）

其中f11表示：x取1并且y取1的属性个数。其他类似。SMC可以是一个仅包含<strong>是非题</strong>的检测中用来发现回答问题相似的学生。

（2）Jaccard系数

以上两个系数，均用于二元变量，0-1的计算。

（3）余弦相似度

=\frac{x\cdot y}{\left | x \right |\left | y \right |}=\frac{x}{\left|x\right|}\cdot \frac{y}{\left|y\right|}=x'\cdot y')
余弦相似度从等式右边，可以看出不需要考虑量值。其中，有向量点积计算公式：

（4）广义Jaccard系数（Tanimoto系数，EJ）

=\frac{x\cdot y}{\left | x \right |^{2}+\left | y \right |^{2}-x\cdot y})

（5）相关性

Pearson相关系数，[-1,1]之间：
=\frac{S_{xy}}{S_{x}S_{y}}=\frac{\frac{1}{n-1}\sum_{k=1}^{{n}(x_{k}-\bar{x})(y_{k}-\bar{y})}{\sqrt{\frac{1}{n-1}\sum_{k=1}}{n}(x_{k}-\bar{x})^{2}}\cdot \sqrt{\frac{1}{n-1}\sum_{k=1}^{{n}(y_{k}-\bar{y})}{2}}})
Bregman散度：
失真函数，损失函数。y为原来的点，x为某个失真值。给定一个严格凸函数，Bregman散度D（x，y）：
=\phi (x)+\phi (y)-\left \langle \triangledown \phi(y),(x-y) \right \rangle)
后面的为梯度和内积。

2_02.png
y=1时，在x=2和x=3上的Bregman散度。

（6）马氏距离（Mahalanobis距离）

=(x-y)\Sigma ^{-1}(x-y){T})
x，y为两个点，中间的为数据协方差的逆。