Comment nettoyer les données pour l'analyse prédictive - les nuls

Avant d'exécuter une analyse prédictive, vous devez vous assurer que les données sont exemptes de tout contenu étranger avant de pouvoir l'utiliser dans votre modèle. Cela inclut la recherche et la correction de tous les enregistrements contenant des valeurs erronées et la tentative de remplissage des valeurs manquantes. Vous devrez également décider si vous souhaitez inclure des enregistrements en double (deux comptes clients, par exemple).

L'objectif général est de garantir l'intégrité des informations que vous utilisez pour créer votre modèle prédictif. Portez une attention particulière à l'exhaustivité, l'exactitude et la ponctualité des données.

Il est utile de créer des statistiques descriptives (caractéristiques quantitatives) pour différents champs, tels que calculer min et max, vérifier distribution de fréquence (fréquence à laquelle quelque chose se produit) et en vérifiant les plages attendues. L'exécution d'une vérification régulière peut vous aider à marquer toutes les données qui sont en dehors de la plage prévue pour une analyse plus approfondie. Tous les dossiers montrant des retraités ayant des dates de naissance dans les années 1990 peuvent être marqués par cette méthode.

De même, il est important de vérifier les informations afin de s'assurer que les données sont exactes. Pour une analyse plus approfondie des caractéristiques des données et l'identification de la relation entre les enregistrements, vous pouvez utiliser profilage des données (analyse de la disponibilité des données et collecte de statistiques sur la qualité des données) et outils de visualisation.

Les données manquantes peuvent être dues au fait que certaines informations n'ont pas été enregistrées. Dans un tel cas, vous pouvez essayer de remplir autant que vous le pouvez; les valeurs par défaut appropriées peuvent facilement être ajoutées pour remplir les espaces de certains champs.

Par exemple, pour les patientes d'une maternité d'hôpital où le champ de genre manque une valeur, l'application peut simplement la remplir en tant que femme. D'ailleurs, pour tout homme qui a été admis dans un hôpital avec un dossier manquant pour le statut de grossesse, ce dossier peut également être rempli comme non applicable.

Un code postal manquant pour une adresse peut être déduit du nom de la rue et de la ville indiquée dans cette adresse.

Dans les cas où l'information est inconnue ou ne peut être inférée, vous devez utiliser des valeurs autres qu'un espace vide pour indiquer que les données sont manquantes sans affecter l'exactitude de l'analyse. Un blanc dans les données peut signifier plusieurs choses, la plupart d'entre elles ne sont pas bonnes ou utiles. Chaque fois que vous le pouvez, vous devez spécifier la nature de ce blanc par un remplissage significatif.

Tout comme il est possible de définir une rose dans un champ de maïs comme une mauvaise herbe, les valeurs aberrantes peuvent avoir différentes significations pour différentes analyses.Il est courant que certains modèles soient construits uniquement pour suivre ces valeurs aberrantes et les signaler.

Les modèles de détection de la fraude et de surveillance des activités criminelles sont intéressés par ces valeurs aberrantes, qui dans de tels cas indiquent quelque chose de non désiré. Il est donc recommandé de conserver les valeurs aberrantes dans l'ensemble de données dans des cas comme ceux-ci. Cependant, lorsque les valeurs aberrantes sont considérées comme des anomalies dans les données - et fausseront seulement les analyses et conduiront à des résultats erronés - retirez-les de vos données.

La duplication dans les données peut aussi être utile ou gênante; certains d'entre eux peuvent être nécessaires, peuvent indiquer une valeur, et peuvent refléter un état précis des données. Par exemple, un enregistrement d'un client avec plusieurs comptes peut être représenté avec plusieurs entrées qui sont (techniquement, de toute façon) dupliquées et répétitives des mêmes enregistrements.

De même, lorsque les enregistrements en double ne contribuent pas à la valeur de l'analyse et ne sont pas nécessaires, leur suppression peut être d'une grande valeur. Cela est particulièrement vrai pour les grands ensembles de données où la suppression des enregistrements en double peut simplifier la complexité des données et réduire le temps nécessaire à l'analyse.

Vous pouvez empêcher préventivement l'entrée de données incorrectes dans vos systèmes en adoptant certaines procédures spécifiques:

• Installez des contrôles de qualité et la validation des données pour toutes les données collectées.

• Permettez à vos clients de valider et d'autocorriger leurs données personnelles.

• Fournissez à vos clients les valeurs possibles et attendues à choisir.

• Effectuez régulièrement des vérifications sur l'intégrité, la cohérence et l'exactitude des données.