มี major steps ใน data preprocessing 4 ขั้นตอน คือ Data cleaning, Data integration, Data reduction, และ Data transformation ดังนี้ −
Data Cleaning (การทำความสะอาดข้อมูล) − Data cleaning routines ทำงาน "clean" ข้อมูลโดย: เติมค่าที่หายไป (missing values), smoothing noisy data, ระบุหรือกำจัด outliers, และแก้ไข inconsistencies ถ้า users รู้ว่าข้อมูล dirty ไม่ไว้วางใจผล data mining ที่ใช้ นอกจากนี้ dirty data อาจสร้าง confusion ให้ mining process ให้ unstable output บาง mining routines มีขั้นตอนจัดการ incomplete/noisy data แต่ไม่ potent เสมอไป มัก focus ที่ prevent overfitting ไปที่ function ที่ modeled
Data Integration (การรวมข้อมูล) − Data integration คือกระบวนการ merge data จาก multiple disparate sources ขณะทำ data integration ต้องจัดการ data redundancy, inconsistency, duplication ใน data mining data integration เป็น record preprocessing technique ที่รวม data จาก heterogeneous data sources สองชุดขึ้นไป ให้เป็น coherent data เพื่อให้ unified view ของข้อมูล Data integration สำคัญมากใน healthcare industry ข้อมูลรวมจาก patient data และ clinics หลายแห่ง ช่วย clinicians ระบุ medical disorders และ diseases โดยรวม data จาก multiple systems ให้ single view ของ useful data
Data Reduction (การลดข้อมูล) − เป้าหมายคือ represent ข้อมูลให้ compact มากขึ้น เมื่อ data size เล็กลง ใช้ sophisticated และ computationally expensive algorithms ได้ง่ายขึ้น Reduction อาจเป็นในรูป rows (records) หรือ columns (dimensions)
ใน dimensionality reduction ใช้ data encoding schemes เพื่อให้ reduced/compressed representation ของข้อมูลต้นฉบับ ตัวอย่าง: data compression (wavelet transforms, principal components analysis), attribute subset selection (ลบ irrelevant attributes), attribute construction (สร้าง attributes ใหม่ที่มีประโยชน์มากกว่าจากชุดต้นฉบับ)
ใน numerosity reduction แทนที่ข้อมูลด้วย alternative smaller representations ใช้ parametric models เช่น regression, log-linear models หรือ nonparametric models เช่น histograms, clusters, sampling, data aggregation
Data Transformation (การแปลงข้อมูล) − ใน data transformation ข้อมูลถูก transformed หรือ consolidated เป็น forms ที่เหมาะกับ mining โดยทำ summary หรือ aggregation operations ใน Data transformation ประกอบด้วย −
Smoothing (การทำให้เรียบ) − กำจัด noise จากข้อมูล เทคนิค: binning, regression, clustering
Aggregation (การรวมสรุป) − ใช้ summary/aggregation operations บนข้อมูล ตัวอย่าง daily sales data รวมเป็น monthly/annual totals ใช้ในการสร้าง data cube สำหรับ analysis ที่ granularities ต่างๆ
