1) DATA CLEANINGReal world data ten

1) DATA CLEANING
Real world data tend to be in complete, noisy and inconsistent
.data cleaning routines attempts to fill in missing values,
smooth out noise while identifying outliers, and correct
inconsistencies in the data.[2]
a)Ways for handling missing values:
a. Ignore the tuple: this is usually done when class label is
missing. This method is not very effective, unless tuple
contains several attributes with missing values. It is especially
poor when the percentage of missing values per attributes
varies considerably.
b. Fill in the missing value manually: this approach is time
consuming and may not be feasible given a large data set with
missing values.
c. Use a global constant to fill in the missing value: replace all
missing attribute values by the same constant, such as label like
“unknown”. if missing value are replaced by ,say unknown
then the mining program may mistakenly think that they form
an interesting concept ,since they all have a value common –
that of “unknown”. Hence, although this method is simple, it is
not foolproof.

Results (Indonesian) 1:

1) DATA CLEANINGDunia nyata data cenderung berada di lengkap, berisik dan konsistenrutinitas pembersihan .data upaya untuk mengisi nilai-nilai yang hilang,kelancaran keluar suara sementara mengidentifikasi outliers, dan benarinkonsistensi data. [2]) cara untuk menangani nilai-nilai yang hilang:a. mengabaikan tupel: hal ini biasanya dilakukan ketika kelas labelhilang. Metode ini bukanlah hal yang sangat efektif, kecuali tupelberisi beberapa atribut dengan nilai-nilai yang hilang. Hal ini terutamamiskin ketika nilai-nilai persentase hilang setiap atributbervariasi.b. isi nilai hilang secara manual: pendekatan ini adalah waktumengkonsumsi dan mungkin tidak layak diberikan set data besar dengannilai-nilai yang hilang.c. menggunakan konstan global untuk mengisi nilai hilang: mengganti semuanilai-nilai atribut yang hilang oleh konstan sama, seperti label seperti"tidak diketahui". Jika kehilangan nilai digantikan oleh, mengatakan tidak diketahuikemudian pertambangan program mungkin keliru berpikir bahwa mereka membentuksebuah konsep menarik, karena mereka semua memiliki nilai umum-yang "tidak diketahui". Oleh karena itu, meskipun metode ini sederhana, itu adalahtidak sangat mudah.

Results (Indonesian) 2:

1) DATA PEMBERSIH
data dunia nyata cenderung berada di lengkap, berisik dan tidak konsisten
rutinitas pembersihan DATA mencoba untuk mengisi nilai-nilai yang hilang,
menghaluskan suara sementara mengidentifikasi outliers, dan benar
inkonsistensi dalam data. [2]
a) Cara untuk menangani hilang nilai-nilai:
a. Abaikan tupel: ini biasanya dilakukan ketika label kelas
hilang. Metode ini sangat tidak efektif, kecuali tuple
berisi beberapa atribut dengan nilai-nilai yang hilang. Hal ini terutama
miskin ketika persentase nilai yang hilang per atribut
bervariasi.
B. Isikan nilai yang hilang secara manual: pendekatan ini adalah waktu
memakan dan mungkin tidak layak diberi data yang besar set dengan
nilai-nilai yang hilang.
C. Gunakan konstan global untuk mengisi nilai yang hilang: mengganti semua
nilai atribut hilang oleh konstan yang sama, seperti label seperti
"tidak diketahui". jika nilai yang hilang diganti dengan, mengatakan tidak diketahui
maka program pertambangan mungkin keliru berpikir bahwa mereka membentuk
sebuah konsep menarik, karena mereka semua memiliki nilai umum -
yang dari "tidak diketahui". Oleh karena itu, meskipun metode ini sederhana, itu
tidak mudah.