如何识别和处理嘈杂的数据观察？
例如，有些人在调查中提出了不诚实的答案，有些变量已知有测量错误，或者有些图像嘈杂。这些观察结果很吵，当我们训练数据时，可以掩盖“真”信号。我们如何确定这些观察结果并将其删除以使培训集“清洁”？
For example, some people put dishonest answers on a survey, some variables are known to have measurement errors, or some images are noisy. These observations are noisy and can mask the "true" signal when we train the data. How can we identify these observations and remove them to make the training set "cleaner"?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（1）
你不能。例如，这是一系列数字，我在其中插入了一个假：
它是什么？
接受您获得的数据代表您的受众，包括诚实和不诚实的行为。
You can't. For example, here is a sequence of numbers, in which I inserted a fake:
Which is it ?
Accept that the data that you get is representative of your audience, including honest and dishonest behaviors.