每一条数据可以称为数据集的一个样本，而每一条数据要用不同的特征描述出来，特征也称为属性。属性通常分为两大类。一类是定性描述的属性，其可以划分为标称属性，布尔属性，序值属性，不具备数的大部分性质。一类是定量描述的属性，即数值属性，用数表示，并且具有数的大部分性质，可以是整数值和离散值。标称属性：符号或事物的名称。但是有时候，机器学习任务中，模型只能接受数值型属性，所以可以用one-hot编码将标称属

只有当数据的质量好才能保证数据分析的结果好。然后实际系统中的原始数据会因为很多原因出现数据错误，数据缺失，不一致等情况，所以需要对原始数据进行预处理，包括数据清洗，数据集成，数据归约，数据转换。目的：填充或删除缺失值，降低噪声与识别离群点。数据清洗的第一步偏差检测（数据的不一致性，字段过载），第二步纠正偏差1.缺失值处理（1）直接删除缺失属性的记录。（2）人工填写缺失值。（3）使用全局常量填写缺失

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。决策树是一种类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分支代表该测试的一个输出，而每个叶子节点（终端节点）存放一个分类结果。上图是一个决策时的示例。当决策树构建好之后，对检验记录进行分类就很容易，从树的根节点开始，将测试条件用于检验记录，沿着树的分支达到叶

显卡为3060ti g6x，操作系统win10。

显卡为3060ti g6x，操作系统win10。

数据中的知识发现（KDD）,也可以把数据挖掘视为知识发现过程的一个基本步骤。步骤序列：（1）数据清理（2）数据集成（3）数据选择（4）数据变换（5）数据挖掘（6）模式评估（7）知识表示数据挖掘功能分为描述性的和预测性的。描述数据：刻画目标数据中数据的一般性质。预测数据：预测其他变量。聚类，关联分析，数据总结，偏差检测是描述性任务。分类和预测是预测性任务。数据挖掘吸纳了统计学，机器学习，模式识别，数