常见的数据处理方法(常见的数据处理方法的matlab应用)

你们好，最近小活发现有诸多的小伙伴们对于常见的数据处理方法，数据处理方法这个问题都颇为感兴趣的，今天小活为大家梳理了下，一起往下看看吧。

1、 1.基于粗糙集理论的约简方法。

2、 粗糙集理论是一种研究不精确和不确定知识的数学工具。目前，它已受到KDD的广泛重视。利用粗糙集理论处理数据是一种非常有效的简化数据维数的方法。一般来说，我们处理的数据都有二义性的问题。模糊有三种：术语模糊，如高度；数据的不确定性，如噪音；知识本身的不确定性，比如一个规则的前后部分的依赖关系，并不是完全可靠的。在KDD，粗糙集方法被用来处理不确定数据和噪声干扰。

3、 2.基于概念树的数据集中方法。

4、 在数据库中，可以对许多属性进行分类，每个属性值和概念可以根据抽象程度形成层次结构。这种层次结构的概念通常被称为概念树。概念树一般由领域专家提供，它按照从一般到特殊的顺序排列各个层次的概念。

5、 3.信息论思想与知识发现。

6、 特征知识和分类知识是广义知识的两种主要形式，其算法基本可以分为两类：数据立方体法和面向属性归纳法。

7、 常见的面向属性归纳方法在归纳属性的选择上存在一定的盲目性。在归纳过程中，当有多个归纳属性可供选择时，通常会随机选择一个进行归纳。事实上，不同的属性归纳序列得到的结果知识可能是不同的。根据信息论中最大熵的概念，应该选择一个信息损失最小的归纳序列。

8、 4.基于统计分析的属性选择方法。

9、 我们可以利用统计分析中的一些算法来选择特征属性，如主成分分析、逐步回归分析、公因子模型分析等。这些方法的共同特点是使用少量的特征元组来描述高维的原始知识库。

10、 5.遗传算法

11、 遗传算法是一种基于生物进化和分子遗传学的全局随机搜索算法。遗传算法的基本思想是将一个问题的可能解以某种形式编码，形成染色体。随机选择n条染色体形成初始种群。然后根据预定的评价函数计算每个染色体的适应度值。选择适应度值高的染色体进行复制，通过遗传操作(选择、交叉、变异)产生一组对环境适应性更好的新染色体，形成新的种群。这样，一代代不断繁殖进化，最终收敛到一个最适合环境的个体，从而获得问题的最优解。遗传算法应用的关键是适应度函数的建立和染色体的描述。在实际应用中，通常与神经网络方法相结合。通过遗传算法搜索更重要的变量组合。

以上就是数据处理方法这篇文章的一些介绍，希望能帮助到大家。