数据预处理是机器学习项目中至关重要的环节，以下整理了常用方法与工具推荐：

🧹 数据清洗

  • 缺失值处理：使用插值或删除法（如 /community/resources/datasets/missing_value）
  • 异常值检测：可视化分析（示例图）
  • 重复数据去除：通过唯一标识符筛选
数据清洗_工具

📈 数据标准化

  • 归一化：将数据缩放到 [0,1] 范围
  • 标准化：转换为均值为0、方差为1
  • 分箱处理：离散化连续特征（操作图）

🖼️ 数据增强

  • 图像数据：旋转、翻转、裁剪（技术图）
  • 文本数据：同义词替换、回译（案例图）

🧩 数据分割

  • 训练集/测试集划分（流程图）
  • 交叉验证策略（推荐查看 /community/resources/datasets/cross_validation）

📚 延伸阅读：数据集分类指南 提供更详细的资源索引