🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
💡
概念业界有句名言："Garbage In, Garbage Out"(垃圾进，垃圾出)。在机器学习中，数据清洗和预处理往往占去80%的工作时间，却决定了模型效果的上限。一个被污染的特征会让最好的模型也无能为力。
一句话总结
💡
数据预处理包括缺失值处理、异常值处理、数据标准化和编码转换等，是保证模型效果的基础步骤。
常见误区
这些坑别踩
✗
误区 1
数据预处理只是可有可无的辅助步骤。
✓
正确理解
数据预处理直接影响模型效果，低质量数据会导致"垃圾进垃圾出"， preprocessing往往比算法选择更重要。
✗
误区 2
缺失值一律用均值填充即可。
✓
正确理解
缺失值的填充方式应根据缺失机制(完全随机、随机、非随机)和数据特征选择，均值填充可能引入偏差，有时用中位数、众数或模型预测更合适。
✗
误区 3
标准化和归一化是一回事。
✓
正确理解
标准化(z-score)将数据转为均值为0标准差为1，归一化(Min-Max)压缩到[0,1]，两者算法和适用场景不同，对异常值敏感度也不同。
巩固练习
章节练习与面试准备
通过测试检验学习效果，通过面试题提升实战能力
章末测试
共 4 题 · 选择题
1
关于 Min-Max 归一化，下列说法正确的是？
2
处理缺失值时，下列哪种方法最简单但可能引入较大偏差？
3
Z-score 标准化（标准分数）的变换公式是？
4
对于含有显著异常值的数据集，下列哪种归一化/标准化方法最鲁棒？
面试经典题
共 5 题 · 先思考再看答案
1
基础
请说明数据预处理在机器学习流程中的重要性，并列举常见的预处理步骤。
2
中等
Min-Max 归一化和 Z-score 标准化各有什么优缺点？分别适用于什么场景？
3
中等
处理缺失值的常见策略有哪些？如何选择？
4
困难
如何检测和处理异常值？
5
中等
为什么对类别不平衡数据需要进行特殊处理？常见方法有哪些？
💡 建议：先独立思考并组织语言，再对照参考答案查漏补缺