Andere Kunden interessierten sich auch für
![Tecniche di regressione applicate attraverso casi di studio con R]( "Tecniche di regressione applicate attraverso casi di studio con R")
Tecniche di regressione applicate attraverso casi di studio con R39,99 €![Angewandte statistische Techniken für Data Mining]( "Angewandte statistische Techniken für Data Mining")
Angewandte statistische Techniken für Data Mining98,90 €![Tecniche di data mining - Modello per la previsione di LD nei bambini]( "Tecniche di data mining - Modello per la previsione di LD nei bambini")
Tecniche di data mining - Modello per la previsione di LD nei bambini40,99 €![Applied Statistical Techniques for Data Mining]( "Applied Statistical Techniques for Data Mining")
Applied Statistical Techniques for Data Mining64,99 €![Técnicas estatísticas aplicadas à extracção de dados]( "Técnicas estatísticas aplicadas à extracção de dados")
Técnicas estatísticas aplicadas à extracção de dados64,99 €![Techniques statistiques appliquées à l'exploration de données]( "Techniques statistiques appliquées à l'exploration de données")
Techniques statistiques appliquées à l'exploration de données64,99 €![Miglioramento dell'immagine basato su tecniche indirette]( "Miglioramento dell'immagine basato su tecniche indirette")
Miglioramento dell'immagine basato su tecniche indirette23,99 €
La pulizia dei dati è una fase cruciale della preparazione dei dati. I valori persi nel database sono un problema comune per gli analisti di dati. I valori mancanti nel data mining sono un problema continuo che può causare errori nell'analisi dei dati. Gli elementi casualmente mancanti negli attributi/dataset complicano l'analisi dei dati e confondono i risultati consolidati. Ciò influisce sull'accuratezza dei risultati e delle query intermedie. Utilizzando metodi statistici e numerici, è possibile recuperare i dati mancanti e diminuire la diffidenza nel database. La presente ricerca fornisce un approccio applicato al metodo Newton Forward Interpolation (NFI) per recuperare i valori mancanti e altri metodi diversi. I dati del dataset rimangono sempre gli elementi di base per qualsiasi interrogazione e per ulteriori attività e decisioni. Se i dati di base sono incompleti o se il set di dati presenta valori mancanti, non è possibile ipotizzare rapporti finali ben aggiornati. Nel data mining il riconoscimento e il recupero dei valori mancanti è ancora un problema importante per i dati irregolari. Per ovviare a questa situazione è necessario ricorrere a tecniche statistiche o numeriche per recuperare i valori mancanti nel set di dati.