डेटा ट्रांसफॉर्मेशन में, डेटा को खनन के लिए उपयुक्त रूपों में परिवर्तित या संयोजित किया जाता है। डेटा ट्रांसफॉर्मेशन में निम्नलिखित शामिल हो सकते हैं:
डेटा ट्रांसफॉर्मेशन के प्रकार
स्मूथिंग (Smoothing)
यह डेटा से शोर को हटाने का काम करता है। ऐसी विधियों में बिनिंग, रिग्रेशन, और क्लस्टरिंग शामिल हैं।
एग्रीगेशन (Aggregation)
एग्रीगेशन में, डेटा पर सारांश या एग्रीगेशन ऑपरेशन लागू किए जाते हैं। उदाहरण के लिए, दैनिक बिक्री डेटा को मासिक और वार्षिक कुल रकम की गणना के लिए एग्रीगेट किया जा सकता है। यह चरण आमतौर पर डेटा के विभिन्न ग्रैन्युलैरिटी पर विश्लेषण के लिए डेटा क्यूब बनाने में उपयोग किया जाता है।
सामान्यीकरण (Generalization)
सामान्यीकरण में, निम्न-स्तरीय या "आदिम" (कच्चे) डेटा को कॉन्सेप्ट हायरार्की के उपयोग के माध्यम से उच्च-स्तरीय अवधारणाओं द्वारा प्रतिस्थापित किया जाता है। उदाहरण के लिए, श्रेणीबद्ध विशेषताएं जैसे सड़क, को उच्च-स्तरीय अवधारणाओं जैसे शहर या देश में सामान्यीकृत किया जा सकता है। इसी तरह, संख्यात्मक विशेषताओं के मान जैसे उम्र, को उच्च-स्तरीय अवधारणाओं जैसे युवा, मध्यम आयु, और वरिष्ठ में मैप किया जा सकता है।
सामान्यीकरण/नॉर्मलाइज़ेशन (Normalization)
नॉर्मलाइज़ेशन में, विशेषता डेटा को एक छोटी निर्दिष्ट रेंज में स्केल किया जाता है, जैसे -1.0 से 1.0, या 0.0 से 1.0।
विशेषता निर्माण (Attribute Construction)
विशेषता निर्माण में, खनन प्रक्रिया को सुविधाजनक बनाने के लिए दी गई विशेषताओं के सेट से नई विशेषताएं विकसित और जोड़ी जाती हैं।
स्मूथिंग डेटा सफाई का एक रूप है और डेटा सफाई प्रक्रिया में संबोधित किया गया था जहां उपयोगकर्ता डेटा विसंगतियों को ठीक करने के लिए परिवर्तन निर्दिष्ट करते हैं। एग्रीगेशन और सामान्यीकरण डेटा कमी के रूपों के रूप में कार्य करते हैं। एक विशेषता को उसके मानों को स्केल करके सामान्यीकृत किया जाता है ताकि वे एक छोटे निर्दिष्ट क्रम में आ जाएं, जिसमें 0.0 से 1.0 शामिल है।
नॉर्मलाइज़ेशन विशेष रूप से वर्गीकरण एल्गोरिदम के लिए उपयोगी है जिसमें न्यूरल नेटवर्क, या दूरी माप जैसे निकटतम-पड़ोसी वर्गीकरण और क्लस्टरिंग शामिल हैं। यदि वर्गीकरण खनन के लिए न्यूरल नेटवर्क बैकप्रोपोगेशन एल्गोरिदम का उपयोग कर रहे हैं, तो प्रशिक्षण टुपल्स में मापी गई प्रत्येक विशेषता के लिए इनपुट मानों को सामान्यीकृत करने से सीखने के चरण को गति देने में मदद मिलेगी।
दूरी-आधारित विधियों के लिए, नॉर्मलाइज़ेशन प्रारंभ में बड़ी रेंज वाली विशेषताओं (जैसे आय) को प्रारंभ में छोटी रेंज वाली विशेषताओं (जैसे बाइनरी विशेषताओं) से आगे निकलने से रोकने में मदद करता है। डेटा नॉर्मलाइज़ेशन के कई तरीके हैं:
मिन-मैक्स नॉर्मलाइज़ेशन
यह मूल डेटा पर एक रैखिक परिवर्तन लागू करता है। मान लें कि minₐ और maxₐ एक विशेषता A के न्यूनतम और अधिकतम मान हैं। मिन-मैक्स नॉर्मलाइज़ेशन A के मान v को रेंज [new_minₐ, new_maxₐ] में v' में मैप करता है, इसकी गणना करके:
$$v' = \frac{v - min_A}{max_A - min_A}(new\_max_A - new\_min_A) + new\_min_A$$
जेड-स्कोर नॉर्मलाइज़ेशन
जेड-स्कोर नॉर्मलाइज़ेशन (या जीरो-मीन नॉर्मलाइज़ेशन) में, एक विशेषता A के मानों को A के माध्य और मानक विचलन के आधार पर सामान्यीकृत किया जाता है। A का मान v, v' में निम्न द्वारा सामान्यीकृत होता है:
$$v' = \frac{v - \bar{A}}{\sigma_A}$$
जहां \(\bar{A}\) और \(\sigma_A\) क्रमशः विशेषता A के माध्य और मानक विचलन हैं। यह नॉर्मलाइज़ेशन विधि तब उपयोगी होती है जब विशेषता A के वास्तविक न्यूनतम और अधिकतम अज्ञात हों, या जब आउटलेयर हों जो मिन-मैक्स नॉर्मलाइज़ेशन पर हावी हों।
दशमलव स्केलिंग
दशमलव स्केलिंग द्वारा नॉर्मलाइज़ेशन, विशेषता A के मानों के दशमलव बिंदु को बदलकर सामान्यीकृत करता है। स्थानांतरित दशमलव बिंदुओं की संख्या A के अधिकतम निरपेक्ष मान पर निर्भर करती है। A का मान v, v' में निम्न द्वारा सामान्यीकृत होता है:
$$v' = \frac{v}{10^j}$$
जहां j सबसे छोटा पूर्णांक है जैसे कि Max(|v'|) < 1।
