预约成功
1、机器学习时如何处理不良数据——数据丢失或不完整
有些时候，由于某些信息不能直接获取到，数据会被组合并某些字段进行留空。或者当数据被收集时执行的分析和当前的分析所面临的目标不同，导致某些值被省略。然而，然而，学习，解释和预测 ——ML 的主要目标 ，很难通过不完整的信息来实现。
面对上述问题，对应的解决方案是：尽管消除问题数据的方法对结果会有很大提升，但是仅在问题数据所占比例较小时候，这种方法的去除效果会比较好。另一种方案是使用合成数据：通过算法创建符合真实数据特征的模拟数据。合成数据是一种新兴技术，可以帮助消除访问完整训练数据的障碍。
2、机器学习时如何处理不良数据——数据不准确
部署 ML 项目时的是在训练预测模型之前清洗数据。但清洗数据并不总能识别或纠正每一个错误，并且数据仍然可能会不完美。 数据科学家已经花费了大部分时间来对抗这一问题，然而，一个预测模型的输出会作为后续模型的输入，这意味着即使是一个小错误也会产生显著的负面影响。
面对上述问题，对应的解决方案是：提供足够的时间清洗数据，评估数据源并在每个阶段对性能进行测试。 保持数据集的清洁是很困难的，但如果将清洗数据的任务分配给特定的团队，则会变得容易。 为传入数据的质量创建和执行明确的标准，并立即寻找并消除错误的根本原因。
数据有偏差在机器学习训练过程中，如果数据存在偏差，数据的完整性会受损，这会直接影响到预测结果。例如，当搜索一位女性联系人时，LinkedIn 的搜索引擎可能存在性别偏差，从而促使该网站以男性名字作出回应。当在平台上搜索“Michelle”返回“Micheal”时，这是一种引起用户反感的明显错误。
面对上述问题，对应的解决方案是：确保数据和分析数据的算法与当前项目的值和目标保持一致。经常检查机器学习模型并仔细检查训练数据，以发现有意和无意的偏差。如果发现偏差，请将其隔离并移除输入数据集中与其相关的部分。
3、机器学习时如何处理不良数据——总结
发现有缺陷的数据并改进能够有效的提升机器学习算法。然而，Looker(一家领先的数据平台公司)首席数据传播者丹尼尔•明茨(Daniel Mintz)强调了一个更令人沮丧的现实。“真正令人害怕的是何时发现不好的数据。虽然用于清洗数据的时间宝贵，但没有发现问题而导致的后果往往更加可怕。”
他继续说道，“当你知道你不知道的时候，你是很谨慎的。但是，有缺陷的数据会让你陷入一种不自知的状态，那么你就有可能根据这些错误的信息做出错误的决策。这就是真正的危险所在。“
在你的机器学习项目中建立质量数据文化是可能的。彻底的测试、清洗和审计确保准确性，同时仔细的计划可以发现并消除隐藏在训练集中的偏差。最后，你可以花更多的时间来了解您的数据 ——它来自哪里以及你想通过它实现的目标，你的机器学习项目将会更成功。
以上就是有关于机器学习时如何处理不良数据的相关内容，以及相应的解析，不论你是已经入职数据分析师岗位的新人，还是打算进入数据分析岗位的小白，以上的内容都或多或少会对大家有所帮助，环球网校的小编在这里祝大家的数据分析师职业道路顺利。
