CZĘŚĆ III : PREPROCESSING DANYCH – NIEKOMPLETNOŚĆ DANYCH
Analizujemy zbiór danych „cars” dostępny pod adresem: http://www.sgi.com/tech/mlc/db dotyczący 261 samochodów i ich parametrów. Wybrano do analizy 10 rekordów:
mpg cylinders cubicinches Hp
14 8 350 165
31.9 4 89 71
17 8 302 140
15 - 400 150
30.5 - - -
23 - 350 125
13 - 351 158
14 8 - 215
25.4 5 - 77
37.7 4 89 62
Uzupełnij braki w danych wartością średnią.
Zadanie 1.
A teraz spróbuj wykonać to samo, ale brakujące dane uzupełnij wartością dominującą w zbiorze.
Zadanie 2.
Zakładając, że zbiór do analizy wygląda następująco:
Uzupełnij braki w danych wartością średnią.
Zadanie 3.
A co jeśli to dane jakościowe są niekompletne ?
Wstaw odpowiednią wartość w brakującą komórkę.
Krok 1. Metoda wstawienia zamiast znaku „?” tekstu „brak”
Metoda znajdowania wartości najczęściej występującej i wypełniania nią brakujących danych.
Krok 2a. Zliczanie wystąpień danej wartości tekstowej „K” i „M”.
Krok 2b. wybór tej wartości, która występuje najczęściej.
Krok.2c. Formula logiczna do wypelniania braków wartością najczęściej występującą.
CZĘŚĆ IV : PREPROCESSING DANYCH – WYKRYWANIE ODCHYLEŃ METODAMI NUMERYCZNYMI
1. Zakładając, że liczba przepracowanych godzin przez pracowników na rzecz nowego projektu wygląda następująco:
a) Znajdź odchylenia metodą wartości średniej i odchylenia standardowego.
b) Znajdź odchylenia metodą rozstępu międzykwartylowego.
2. Zebrano dane o wydatkach poniesionych na żywność przez kolejne 90 dni:
30, 171, 184, 201, 212, 250, 265, 270, 272, 289, 305, 306, 322, 322, 336, 346, 351, 370, 390, 404, 409, 411, 436, 437, 439, 441, 444, 448, 451, 453, 470, 480, 482, 487, 494, 495, 499, 503, 514, 521, 522, 527, 548, 550, 559, 560, 570, 572, 574, 578, 585, 592, 592, 607, 616, 618, 621, 629, 637, 638, 640, 656, 668, 707, 709, 719, 737, 739, 752, 758, 766, 792, 792, 794, 802, 818, 830, 832, 843, 858, 860, 869, 918, 925, 953, 991, 1000, 1005, 1068, 1441
Znajdź odchylenia jeśli występują.
CZĘŚĆ V : PREPROCESSING DANYCH – NORMALIZACJA DANYCH
Normalizacja prowadzi do przekształcania danych do formy uniwersalnej (takiego samego zakresu wartości):
Metoda normalizacja Min-Max
Metoda normalizacji Z-score
Ad. 1. Sprawdza jak bardzo wartość pola jest większa od wartości minimalnej (min(x)) i skaluje tę różnicę przez zakres:
a) Forma uproszczona:
b) Forma uniwersalna:
Gdzie:
New_min to nowa wartość minimalna, którą chcemy uzyskać New_max – nowa wartość maksymalna.
Min – to dotychczasowa wartość minimalna Max – dotychczasowa wartość maksymalna
) min(
) max(
) min(
) (
)
* min(
x x
x x
x zakres
x x x
Zakładając, że mamy znormalizować następującą kolumnę (L). Wynik będzie następujący:
Jeśli jednak chcemy zmienić zakres nowej wartości dla kolumny L np. na zakres 1-10
Musimy skorzystać z wzoru uniwersalnego, i wówczas formula Excela będzie następująca:
Zadanie do wykonania dla studentów:
a) Przeprowadź dla podanych danych normalizację metodą Min-Max do zakresu od 1 do 5 b) Przeprowadź dla podanych danych normalizację metodą Min-Max do zakresu od 1 do 10
TEST KOŃCOWY UTRWALAJĄCY INFORMACJĘ Z WYKŁADU ORAZ LABORATORIUM NR 1.
Zadanie 1
Tętna spoczynkowe lekkoatletów wynoszą: 44;34;33;34;35;33;31;41;30;31;31;32;34;45;37;35 Wyznacz:
a) wykres pudełkowy (narysuj go ręcznie z zaznaczeniem wszystkich elementów) b) modę
c) medianę d) średnią e) wariancję f) kwartyle
g) Odchylenie standardowe Zadanie 2
Średnia temperatura w kolejnych miesiącach 1974 roku w Warszawie na Okęciu wynosiła:
-2,4; 4,2; 9,2; 22,6; 29,4; 31,6; 36,2; 26,8; 13,2; 6,8; 4,6
Przeprowadź dla podanych danych normalizację metodą Min-Max do zakresu od 1 do 8 Zadanie 3
Jeśli spojrzymy na wykres pudełkowy dla atrybutu „b” to:
Ile ma on wartości?
Co powiemy o wartościach w stosunku do wartości atrybutu „klasa”?
Czy atrybut „b” może być dobrym klasyfikatorem obiektów w systemie ? Odpowiedź uzasadnij.
Zadanie 4
Jeśli spojrzymy na histogram dla atrybutu „klasa” to:
1. Ile atrybut „klasa” ma wartości?
2. Jaka jest liczność poszczególnych wartości atrybutu :”klasa” ?