Tiền xử lý dữ liệu không bao gồm các bước nào sau đây:

Khi dữ liệu bị thiếu, có một số phương pháp xử lý phổ biến như sau:

1. Xóa bỏ các bản ghi chứa dữ liệu thiếu: Đây là cách đơn giản nhất, nhưng có thể dẫn đến mất mát thông tin quan trọng nếu số lượng bản ghi bị xóa quá nhiều.
2. Điền giá trị thiếu bằng các giá trị thay thế:
   • Điền bằng giá trị trung bình (mean): Thích hợp cho dữ liệu số có phân phối gần chuẩn.
   • Điền bằng giá trị trung vị (median): Thích hợp cho dữ liệu số có nhiều giá trị ngoại lệ.
   • Điền bằng giá trị thường xuyên xuất hiện nhất (mode): Thích hợp cho dữ liệu định tính.
   • Điền bằng hằng số: Điền tất cả các giá trị thiếu bằng một giá trị cố định.
3. Sử dụng các thuật toán dự đoán: Sử dụng các mô hình học máy để dự đoán giá trị thiếu dựa trên các thuộc tính khác.
   • K-Nearest Neighbors (KNN): Dự đoán giá trị dựa trên các bản ghi gần nhất.
   • Hồi quy tuyến tính: Dự đoán giá trị dựa trên mối quan hệ tuyến tính giữa các thuộc tính.

Như vậy, có ít nhất 3 cách xử lý chính khi dữ liệu bị thiếu. Các phương pháp cụ thể có thể được điều chỉnh hoặc kết hợp tùy thuộc vào bản chất của dữ liệu và mục tiêu phân tích.

Thuật toán phân lớp được sử dụng trong quá trình huấn luyện (training) của mô hình phân lớp dữ liệu. Trong quá trình huấn luyện, thuật toán học cách phân loại dữ liệu dựa trên các mẫu (features) đã được cung cấp. Các phương án khác không đúng vì:

• Kiểm thử (testing): Là quá trình đánh giá hiệu năng của mô hình sau khi đã huấn luyện.
• Đánh giá (evaluation): Tương tự như kiểm thử, đánh giá mức độ chính xác của mô hình.
• Dự đoán (prediction): Là quá trình sử dụng mô hình đã huấn luyện để dự đoán lớp cho dữ liệu mới.

Cây quyết định (Decision Tree) là thuật toán phân lớp có khả năng xử lý nhiều kiểu dữ liệu khác nhau (numerical, categorical,...). Khác với các thuật toán khác thường yêu cầu dữ liệu phải được chuẩn hóa hoặc chuyển đổi sang định dạng số, cây quyết định có thể trực tiếp làm việc với các thuộc tính có kiểu dữ liệu khác nhau mà không cần qua các bước tiền xử lý phức tạp.

SVM (Support Vector Machine) thường hoạt động tốt nhất với dữ liệu số và yêu cầu chuẩn hóa dữ liệu để đạt hiệu suất tối ưu.

Logistic Regression chủ yếu được sử dụng cho các bài toán phân loại nhị phân và yêu cầu dữ liệu đầu vào phải là số.

Mạng nơ-ron (Neural Networks) có thể xử lý nhiều loại dữ liệu, nhưng thường yêu cầu dữ liệu được chuẩn hóa hoặc mã hóa để đạt hiệu quả tốt nhất.