??? 前段時間在做一個挖掘模型時，模型的特征決定了選擇的數(shù)據(jù)是嚴重有偏的，怎樣在這樣的數(shù)據(jù)上進行抽樣，得到能比較好地反映真實情況的數(shù)據(jù)樣本是很關鍵的。自己對統(tǒng)計學僅僅限于大學課程的學習，很少做過實驗，在做數(shù)據(jù)預處理走了一些彎路。下面對數(shù)據(jù)挖掘中的抽樣發(fā)表一點淺見。謝謝苦瓜兄弟解答，希望和大家多多交流：）
??? 在數(shù)據(jù)挖掘的數(shù)據(jù)預處理過程中，寬表數(shù)據(jù)往往是幾十萬，上百萬級記錄的。要對所有數(shù)據(jù)進行訓練，時間上很難滿足要求，因此對數(shù)據(jù)進行抽樣就很必要了，不同的數(shù)據(jù)抽樣方法對訓練結果模型的精度有很大影響?？梢钥紤]用一些數(shù)據(jù)瀏覽工具，統(tǒng)計工具對數(shù)據(jù)分布做一定的探索，在對數(shù)據(jù)做充分的了解后，再考慮采用合適的數(shù)據(jù)抽樣方法，抽取樣本數(shù)據(jù)進行建模實驗。對一般的模型，比如客戶細分，主要是數(shù)據(jù)的聚類，我在做抽樣時用了隨機抽樣，也可以考慮整群抽樣；而做離網(wǎng)預警模型或者金融欺詐預測模型時，數(shù)據(jù)分布是嚴重有偏的，而且這種有偏數(shù)據(jù)對這類模型來說恰恰是至關重要的。一般采用分層抽樣和過度抽樣結合有不錯的效果，分層抽樣和過度抽樣的區(qū)別自己也不是很了解，現(xiàn)在只能是做個概述了。
??? 幾種常用的抽樣方法：
1.簡單隨機抽樣（simple random sampling）
將所有調查總體編號，再用抽簽法或隨機數(shù)字表隨機抽取部分觀察數(shù)據(jù)組成樣本。
優(yōu)點：操作簡單，均數(shù)、率及相應的標準誤計算簡單。
缺點：總體較大時，難以一一編號。
2.系統(tǒng)抽樣（systematic sampling）
又稱機械抽樣、等距抽樣，即先將總體的觀察單位按某一順序號分成n個部分，再從第一部分隨機抽取第k號觀察單位，依次用相等間距從每一部分各抽取一個觀察單位組成樣本。
優(yōu)點：易于理解、簡便易行。
缺點：總體有周期或增減趨勢時，易產生偏性。
3.整群抽樣(cluster sampling)
先將總體依照一種或幾種特征分為幾個子總體（類．群），每一個子總體稱為一層，然后從每一層中隨機抽取一個子樣本，將它們合在一起，即為總體的樣本，稱為分層樣本
優(yōu)點：便于組織、節(jié)省經(jīng)費。
缺點：抽樣誤差大于單純隨機抽樣。
4.分層抽樣（stratified sampling）
將總體樣本按其屬性特征分成若干類型或層，然后在類型或層中隨機抽取樣本單位，合起來組成樣本。有按比例分配和最優(yōu)分配（過度抽樣是否就是最優(yōu)分配方法？）兩種方案。
特點：由于通過劃類分層，增大了各類型中單位間的共同性，容易抽出具有代表性的調查樣本。該方法適用于總體情況復雜，各類別之間差異較大（比如金融客戶風險/非風險樣本的差異），類別較多的情況。
優(yōu)點：樣本代表性好，抽樣誤差減少。

from:http://www.chinabi.net/blog/user1/105/archives/2006/1006.html

總結

以上是生活随笔為你收集整理的数据挖掘与数据抽样的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。