AITerms 登入
機器學習資料處理特徵工程

資料前處理(Data Preprocessing)是什麼?

資料前處理是指在將原始資料用於機器學習模型之前,對其進行清理、轉換和整合的過程,以提高模型效能和準確性。

完整定義

資料前處理是機器學習流程中至關重要的一環,它涉及對原始資料進行一系列轉換,使其更適合模型訓練。這些轉換包括清理缺失值、處理異常值、轉換資料格式、縮放數值特徵以及整合來自不同來源的資料。有效的資料前處理能顯著提升模型效能和泛化能力。

白話說明

你有沒有在你拿到一份很亂的原始資料,準備丟進模型前時,還在想這件事到底該怎麼看?

把它想成先洗乾淨、排整齊,再交給模型。

缺值、亂碼、格式不一致和極端值,都可能讓模型學壞。

前處理做得好,模型通常更穩,訓練也更順。

記住這句

先整理好,再讓模型學。

比喻:資料前處理就像廚師備料 -- 在真正下廚烹飪前,先把食材洗淨、切好、去皮去骨,確保食材品質,這樣才能煮出美味的料理。

容易混淆

feature-engineering

vs 特徵工程:前處理是把原始資料整理乾淨,讓它「能用」;特徵工程是在乾淨資料上創造新的、更有用的「特徵」,讓模型「更好用」。

常見混淆:資料前處理 vs feature-engineering

前處理是把資料整理好,特徵工程是在乾淨資料上做出更有用的特徵。

實際案例

缺值清理

把空白欄位補值或標記,避免模型直接報錯。

數值縮放

把收入、年齡和次數放到比較可比的尺度。

演算法與應用

1. 前處理包括清理、轉換、整合和縮放,不只是把髒資料刪掉。

2. 這一步會直接影響後面的特徵工程和模型表現。

3. 不同模型對前處理敏感度不同,但完全不處理通常風險更大。

情境判斷

Q1:資料有缺值、格式亂七八糟,先做什麼?

先做資料前處理,整理到模型能接受的樣子。

Q2:前處理做好後就不用再看資料了嗎?

不是,資料品質還是要持續檢查,因為新資料可能再次變亂。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,有 26 題把資料前處理列為延伸術語,這裡列出 5 題。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本