forgreining

Forgreining, einnig kölluð gagnavinnsla eða gagnaframkvæmd, er ferli við undirbúning hrágagna fyrir greiningu eða vélanámi. Markmiðið er að auka samræmi og gæði gagna, fækka ónýtum eða villum í gögnum og gera þeim kleift að skila áreiðanlegum niðurstöðum.

Helstu aðferðir forgreiningar fela í sér gagnahreinsun og samræmingu; meðhöndlun skorts gagnna, þ.mt útfyllingu eða eyðingu annarra gagna; athugun og leiðrétting villna í uppbyggingu gagna. Einnig eru þær umbreytingar og normalisering (t.d. log- eða Box-Cox umbreytingar og z-skala) til að gera gögnin samhæfð fyrir líkön. Kóðun flokkabreytna (one-hot eða aðrar aðferðir) og minnkun fjölda eiginleika (feature selection eða dreifistærðarlýsing, t.d. PCA) eru einnig hluti forgreiningar. Auk þess getur forgreining falið í sér samþættingu gagna frá mörgum heimildum og skipulag gagna fyrir þjálfun og prófun, þar með þátttöku í skiptingu í þjálfunar- og prófunarsöfn og kross-samskáningu (cross-validation).

Notkun forgreiningar nær yfir margar greiningargeir, svo sem tölfræðilega greiningu, vélarnám, gagnavinnslu og náttúru málanotkun. Hún stuðlar að stöðugum, endurtekjanlegum niðurstöðum og bættum líkani, en auk þess ber að huga að gögnum sem gætu lekið upplýsingum eða brjót reglur um persónuupplýsingar.

Gælud og verklag: best er að skrásetja allar aðgerðir, tryggja uppruna gagna og endurnotaðanleika, forðast gagnaleka og gæta persónuverndar. Algengar tól og aðferðir eru í forriti eins og Python (pandas, scikit-learn), R (tidyverse) og SQL, þar sem mörg framfylgdarverkfæri gera undirbúning gagna að skilvirku ferli.