本頁面由 Cloud Translation API 翻譯而成。

資料準備

本節將回顧機器學習速成課程「使用數值資料」單元中，與群聚分析最相關的資料準備步驟。

在聚類中，您可以將兩個範例的所有特徵資料合併為數值，藉此計算兩個範例之間的相似度。這需要資料集具有相同的比例，您可以透過正規化、轉換或建立分位數來達成這點。如果您想轉換資料，但不檢查其分布情形，可以預設使用分位數。

資料標準化

您可以將多個特徵的資料轉換為相同的比例，方法是將資料正規化。

每當您看到資料集的形狀大致類似高斯分布時，就應為資料計算Z 分數。Z 分數是指值與平均值之間相差幾個標準差。如果資料集不夠大，無法用於計算分位數，您也可以使用 Z 分數。

請參閱Z 分數調整一文，瞭解相關步驟。

以下是 z-score 縮放前後，資料集的兩個特徵視覺化圖表：

在左側未正規化的資料集中，分別在 X 軸和 Y 軸上繪製的特徵 1 和特徵 2 的比例不相同。在左側，紅色範例與藍色相近或更相似，在右側，經過 z-score 縮放後，特徵 1 和特徵 2 的縮放比例相同，紅色範例看起來會更接近黃色範例。正規化資料集可更準確地評估點之間的相似性。

如果資料集完全符合冪律分布，且資料在最低值處聚集，請使用對數轉換。請參閱「記錄縮放」一文，瞭解相關步驟。

以下是對數轉換前後的對數法則資料集視覺化圖表：

在對數縮放前 (圖 2)，紅色範例看起來更像黃色。經過對數縮放 (圖 3) 後，紅色會更接近藍色。

如果資料集不符合已知分佈模式，將資料分割成分位數會很有幫助。以這個資料集為例：

直覺來說，如果兩個範例之間只有少數幾個範例，無論其值為何，兩者就比較相似；如果兩者之間有許多範例，兩者就比較不相似。上方的示意圖無法清楚顯示紅色和黃色之間，或紅色和藍色之間的示例總數。

您可以將資料集劃分為四分位數 (或各包含相同數量範例的間隔)，並為每個範例指派四分位數索引，藉此瞭解相似度。請參閱百分位值區隔，瞭解相關步驟。

以下是將前述分布圖劃分為四分位數的結果，顯示紅色與黃色之間相差一個四分位數，藍色與紅色之間相差三個四分位數：

您可以選擇任意數量的分位數。 \(n\) 不過，如果您希望分位數能有效呈現基礎資料，資料集至少應包含\(10n\) 個例項。如果資料不足，請改為使用標準化功能。

在下列問題中，假設您有足夠的資料可建立分位數。

您應該如何處理上方圖表中顯示的資料分布情形？

建立分位數。

沒錯。由於分布情形不符合標準資料分布情形，因此您應預設建立分位數。

Normalize。

您通常會在下列情況下將資料標準化：

這兩種情況都不適用於本案例。資料分布並非對稱，因此不是高斯分布。而且您不知道這些值在現實世界中代表什麼。

記錄轉換。

這並非完美的冪律分布，因此請勿使用對數轉換。

您會如何處理這項資料分布情形？

Normalize。

沒錯。這是高斯分布。

建立分位數。

答錯了。由於這是高斯分佈，因此建議的轉換作業是標準化。

記錄轉換。

答錯了。請只將對數轉換套用至冪律分布。

如果資料集中有某個特徵的範例缺少值，但這些範例很少出現，您可以移除這些範例。如果這些範例經常出現，您可以完全移除該特徵，也可以使用機器學習模型，根據其他範例預測缺少的值。舉例來說，您可以使用以現有特徵資料訓練的迴歸模型，推斷缺少的數值資料。