Técnicas estadísticas aplicadas a la minería de datos

La limpieza de datos es un paso crítico para la preparación de datos. Los valores perdidos en la base de datos son un problema común al que se enfrentan los analistas de datos. Los valores perdidos en la minería de datos son problemas continuos que pueden provocar errores en el análisis de datos. Los elementos que faltan aleatoriamente en el atributo/conjunto de datos complican el análisis de datos y también confunden el resultado consolidado. Afecta a la precisión del resultado y a las consultas intermedias. Mediante el uso de métodos estadísticos y numéricos, se pueden recuperar los datos que faltan y reducir las sospechas en la base de datos. La presente investigación ofrece un enfoque aplicado del método Newton Forward Interpolation (NFI) para recuperar los valores que faltan, así como otros métodos diferentes. Los datos en el conjunto de datos siempre permanecen como los bloques de construcción básicos para cualquier consulta y tarea y decisiones posteriores. Si los datos básicos están incompletos o faltan valores en los conjuntos de datos, no se puede suponer que los informes finales estén actualizados. En la minería de datos, el reconocimiento y la recuperación de los valores que faltan sigue siendo un problema importante con datos irregulares. Para superar esta situación se necesitan técnicas estadísticas o numéricas para recuperar los valores que faltan en el conjunto de datos.