数据挖掘项目中最重要的事，并非算法模型的选择与调参，而是数据的预处理。在真实数据中（包括 kaggle 等比赛），通常存在大量的缺失值和噪音，这些对算法的效果有极大影响。不仅如此，特征的量级差异，也会影响预测算法的效果。如 kNN 算法，假设数据点有两个特征 x1，x2，其中 x1 的量级为 x2 的 10 倍，判断距离时，由于距离变成了平方和，x1 的重要性就会是 x2 的 100 倍！再如：根据某房屋的数据集来预测客户购买房屋的可能，其特征包括房屋面积，价格，则可生成一个新特征：每平米价格 = 价格 / 房屋面积。
这个特征多么重要，大家也看的出来。然而，靠调参是做不到的，也没法做到这种效果，只有通过数据预处理进行特征生成才能够实现。然而，现在却没有人系统性地讲解这些技巧。
这次 Chat，就是来系统性地告诉你各种数据预处理的方法技巧。最后，会以 Python 来讲解一个数据预处理的例子。
阅读全文: http://gitbook.cn/gitchat/activity/5a49d7ac74a8045874dbe872
您还可以下载 CSDN 旗下精品原创内容社区 GitChat App ，阅读更多 GitChat 专享技术内容哦。
