डेटा पूर्वप्रसंस्करण में शामिल प्रमुख चरण हैं, अर्थात्, डेटा सफाई, डेटा एकीकरण, डेटा कमी, और डेटा परिवर्तन निम्नानुसार हैं -
डेटा सफाई - डेटा सफाई रूटीन जानकारी को "साफ" करने के लिए काम करते हैं लापता मूल्यों को भरकर, शोर जानकारी को चिकना करके, बाहरी मानों की पहचान या उन्मूलन करके, और विचलन को हल करके। यदि उपयोगकर्ता समझते हैं कि डेटा गंदा है, तो वे किसी भी डेटा माइनिंग के परिणामों पर भरोसा करने की संभावना नहीं रखते हैं जो उपयोग किया गया है।
इसके अलावा, गंदा डेटा खनन चरण के लिए भ्रम पैदा कर सकता है, जिसके परिणामस्वरूप अस्थिर आउटपुट होता है। कुछ खनन रूटीन में अधूरे या शोर जानकारी से निपटने के लिए कुछ चरण होते हैं, वे हमेशा शक्तिशाली नहीं होते हैं। इसके बजाय, वे मॉडल की जा रही फ़ंक्शन के लिए जानकारी को ओवरफिट करने से रोकने पर ध्यान केंद्रित कर सकते हैं।
डेटा एकीकरण - डेटा एकीकरण कई असमान स्रोतों से डेटा को मर्ज करने की प्रक्रिया है। डेटा एकीकरण करते समय, इस पर डेटा अतिरेक, असंगति, नकल आदि पर काम करना चाहिए। डेटा माइनिंग में, डेटा एकीकरण एक रिकॉर्ड पूर्वप्रसंस्करण विधि है जिसमें एक सुसंगत डेटा में रखने और डेटा का एक एकीकृत दृष्टिकोण प्रदान करने के लिए विषम डेटा स्रोतों के एक जोड़े से डेटा को मर्ज करना शामिल है।
डेटा एकीकरण स्वास्थ्य देखभाल उद्योग में विशेष रूप से महत्वपूर्ण है। कई रोगी डेटा और क्लीनिक से एकीकृत डेटा चिकित्सकों को कई प्रणालियों से डेटा को लाभकारी डेटा के एक व्यक्तिगत दृष्टिकोण में एकीकृत करके चिकित्सा विकारों और बीमारियों को पहचानने में सहायता करता है जिससे लाभकारी अंतर्दृष्टि प्राप्त की जा सकती है।
डेटा कमी - डेटा कमी का उद्देश्य इसे अधिक कॉम्पैक्ट रूप से परिभाषित करना है। जब डेटा आकार छोटा होता है, तो परिष्कृत और कम्प्यूटेशनली उच्च-लागत एल्गोरिदम का उपयोग करना सरल होता है। डेटा की कमी कई पंक्तियों (रिकॉर्ड्स) के संदर्भ में या कई कॉलम (आयामों) के संदर्भ में हो सकती है।
आयाम कमी में, डेटा एन्कोडिंग योजनाओं का उपयोग प्रारंभिक डेटा के कम या "संपीड़ित" विवरण को प्राप्त करने के लिए किया जाता है। उदाहरणों में डेटा संपीड़न विधियां (जैसे वेवलेट ट्रांसफॉर्म और प्रमुख घटक विश्लेषण), विशेषता उपसमुच्चय चयन (जैसे अप्रासंगिक विशेषताओं को हटाना), और विशेषता निर्माण (जैसे प्रारंभिक सेट से अधिक लाभकारी विशेषताओं का एक छोटा सेट बदलना) शामिल हैं।
संख्यात्मक कमी में, डेटा को पैरामीट्रिक मॉडल जैसे प्रतिगमन या लॉग-रैखिक मॉडल या गैर-पैरामीट्रिक मॉडल जैसे हिस्टोग्राम, क्लस्टर, नमूनाकरण, या डेटा एकत्रीकरण का उपयोग करके वैकल्पिक, छोटे विवरण द्वारा बहाल किया जाता है।
डेटा परिवर्तन - डेटा परिवर्तन में, जहां डेटा को खनन के लिए लागू रूपों में परिवर्तित या जोड़ा जाता है सारांश या एकत्रीकरण संचालन निष्पादित करके। डेटा परिवर्तन में शामिल हैं -
स्मूथिंग - यह डेटा से शोर हटाने का काम करता है। ऐसी तकनीकों में बिनिंग, प्रतिगमन, और क्लस्टरिंग शामिल हैं।
एकत्रीकरण - एकत्रीकरण में, जहां सारांश या एकत्रीकरण सेवाओं का उपयोग डेटा पर किया जाता है। उदाहरण के लिए, दैनिक बिक्री डेटा को मासिक और वार्षिक कुल मात्रा की गणना के लिए एकत्रित किया जा सकता है। यह प्रक्रिया आमतौर पर रिकॉर्ड के कई दानेदारता पर विश्लेषण के लिए एक डेटा क्यूब विकसित करने में उपयोग की जाती है।
