Eksik Verileri Temizleme

Önemli

Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.

1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.

• Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning.
• Daha fazla bilgi Azure Machine Learning.

ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.

Bir veri kümesinden eksik olan değerlerin nasıl işlen olduğunu belirtir

Kategori: Veri Dönüştürme / Düzenleme

Not

Uygulama: Machine Learning Studio (yalnızca klasik)

Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.

Modüle genel bakış

Bu makalede, eksik değerleri kaldırmak, değiştirmek veya çıkarmak için Machine Learning Studio'da (klasik) Eksik Verileri Temizleme modülünün nasıl kullanımı açıklanmıştır.

Veri bilimcileri genellikle eksik değerleri kontrol eder ve ardından verileri düzeltmek veya yeni değerler eklemek için çeşitli işlemler gerçekleştirebilir. Bu tür temizleme işlemlerinin amacı, modeli eğiterek ortaya çıkabilecek eksik verilerden kaynaklanan sorunları önlemektir.

Bu modül eksik değerleri "temizleme" için aşağıdakiler dahil olmak üzere birden çok işlem türünü destekler:

• Eksik değerleri bir yer tutucu, ortalama veya başka bir değerle değiştirme
• Eksik değerleri olan satırları ve sütunları tamamen kaldırma
• İstatistiksel yöntemlere göre değer çıkarımları

İpucu

Makine öğrenmesi ile ilgili yeni misiniz? Bu makalede, eksik değerleri değiştirmek için neden farklı yöntemlerin her birini kullanabileceğiniz hakkında iyi bir açıklama ve ardından: Eksik değerleri işleme yöntemleri

Bu modülü kullanmak kaynak veri kümenizi değiştirmez. Bunun yerine, çalışma alanınıza sonraki iş akışında kullanabileceğiniz yeni bir veri kümesi oluşturur. Ayrıca yeni, temizlenmiş veri kümelerini yeniden kullanmak üzere kaydedebilirsiniz.

Bu modül ayrıca eksik değerleri temizlemek için kullanılan dönüştürmenin tanımını da verir. Bu dönüşümü, Dönüştürme Uygulama modülünü kullanarak aynı şemaya sahip diğer veri kümelerde yeniden kullanabilirsiniz .

Eksik Verileri Temizlemeyi Kullanma

Bu modül bir temizleme işlemi tanımlamaya olanak sağlar. Daha sonra yeni verilere uygulamak için temizleme işlemi de kaydedebilirsiniz. Temizleme işlemini oluşturma ve kaydetme hakkında bir açıklama için aşağıdaki bağlantılara bakın:

• Eksik değerleri değiştirmek için

• Yeni verilere temizleme dönüşümü uygulamak için

Önemli

Eksik değerleri işlemede kullanılan temizleme yöntemi sonuçlarınızı önemli ölçüde etkileyebilir. Farklı yöntemlerle denemenizi öneririz. Belirli bir yöntemin kullanım gerekçesini ve sonuçların kalitesini göz önünde bulundurarak.

Eksik değerleri değiştirme

Eksik Verileri Temizleme modülünü bir veri kümesine her uygulayanlarda, aynı temizleme işlemi sizin seçen tüm sütunlara uygulanır. Bu nedenle, farklı yöntemleri kullanarak farklı sütunları temizlemeniz gerekirse modülün ayrı örneklerini kullanın.

1. Denemenize Eksik Verileri Temizleme modülünü ekleyin ve eksik değerleri olan veri kümesine bağlanabilirsiniz.

2. Temizlenecek sütunlar için değiştirmek istediğiniz eksik değerleri içeren sütunları seçin. Birden çok sütun seçebilirsiniz, ancak seçilen tüm sütunlarda aynı değiştirme yöntemini kullanmelisiniz. Bu nedenle, genellikle dize sütunlarını ve sayısal sütunları ayrı ayrı temizlemelisiniz.

   Örneğin, tüm sayısal sütunlarda eksik değerleri kontrol etmek için:

   1. Sütun Seçici'yi açın ve KURALLARLA'yi seçin.

   2. BAŞLAYIN için NOCOLUMNS (SÜTUN YOK) öğesini seçin.

      Ayrıca ALL COLUMNS ile başlayabilir ve ardından sütunları dışlayabilirsiniz. İlk olarak, önce TÜM SÜTUNLAR'a tıklarsanız kurallar gösterilmez, ancak NO COLUMNS'a tıklayabilirsiniz ve ardından tüm sütunlarla başlamak için yeniden TÜM SÜTUNLAR'a tıklayabilirsiniz ve ardından ad, veri türü veya sütunlar dizinine göre sütunları filtrele (hariç tut) .

   3. Dahil Etmek için, açılan listeden Sütun türü'nü ve ardından Sayısal'ı veya daha belirli bir sayısal türü seçin.

   Seçtiğiniz herhangi bir temizleme veya değiştirme yöntemi, seçimde tüm sütunlar için geçerli olması gerekir. Herhangi bir sütundaki veriler belirtilen işlemle uyumsuzsa modül bir hata döndürür ve denemeyi durdurur.

3. Minimum eksik değer oranı için, gerçekleştirilecek işlem için gereken minimum eksik değer sayısını belirtin.

   Veri kümesinde temizleme işlemi gerçekleştirilen koşulları tanımlamak için Maksimum eksik değer oranı ile birlikte bu seçeneği kullanın. Eksik değerlerin çok fazla veya çok az olduğu satırlar varsa, işlem gerçekleştir kullanılamaz.

   Girersiniz sayı, eksik değerlerin sütundaki tüm değerlere oranını temsil eder. Varsayılan olarak Minimum eksik değer oranı özelliği 0 olarak ayarlanır. Bu, yalnızca bir eksik değer olsa bile eksik değerlerin temizlenmiş olduğu anlamına gelir. Bu seçeneği kullanma örneği için bkz. Temizleme İşlemleri için Eşik Ayarlama.

   Uyarı

   Belirtilen işlemi uygulamak için bu koşul her sütun tarafından karşıilmelidir. Örneğin, üç sütun seçtiğinizi ve ardından eksik değerlerin en düşük oranını %0,2 (%20) olarak ayarlamış ancak yalnızca bir sütunun gerçekten %20 eksik değeri olduğunu varsayalım. Bu durumda temizleme işlemi yalnızca %20'den fazla eksik değer içeren sütun için geçerli olur. Bu nedenle, diğer sütunlar değiştirilmez.

   Eksik değerlerin değiştir olup olmadığı konusunda şüpheniz varsa Eksik değer göstergesi sütunu oluştur seçeneğini belirleyin. Her sütunun minimum ve maksimum aralıklar için belirtilen ölçütlere uygun olup olmadığını belirtmek için veri kümesine bir sütun eklenir.

4. Maksimum eksik değer oranı için, gerçekleştirilecek işlem için mevcut olan maksimum eksik değer sayısını belirtin.

   Örneğin, eksik değer değiştirme işlemini yalnızca satırların %30'larında veya daha azlarında eksik değerler varsa gerçekleştirmek, ancak satırların %30'dan fazlası eksik değerlere sahipse değerleri olduğu gibi bırakmak istiyor olabilir.

   S numarayı eksik değerlerin sütundaki tüm değerlere oranı olarak tanımlarsınız. Varsayılan olarak, Maksimum eksik değer oranı 1 olarak ayarlanır. Bu, sütundaki değerlerin %100'leri eksik olsa bile eksik değerlerin temizlenmiş olduğu anlamına gelir.

   Not

   Minimum eksik değer oranı veya Maksimum eksik değer oranı seçeneklerini kullanarak bir eşik ayarsanız, seçilen sütunlardan biri bile ölçütleri karşılayamasa temizleme işlemi gerçekleştir kullanılamaz.

5. Temizleme Modu için eksik değerleri değiştirmek veya kaldırmak için aşağıdaki seçeneklerden birini belirleyin:

   • MICE kullanarak değiştirme: Bu seçenek, eksik her değer için istatistiksel literatürde "Zincirlenmiş Denklemler Kullanılarak Çok Değişkenli Atama" veya "Zincirlenmiş Denklemler Tarafından Çoklu Atama" olarak tanımlanan bir yöntem kullanılarak hesaplanan yeni bir değer atar. Birden çok imputation yöntemiyle, eksik verilere sahip her değişken, eksik değerleri doldurmadan önce verilerde diğer değişkenler kullanılarak koşullu olarak modele alındı. Buna karşılık, tek bir imputation yönteminde (eksik bir değerin sütun ortalaması ile değiştirilmesi gibi) dolgu değerini belirlemek için veriler üzerinde tek bir geçiş yapılır.

     Tüm imputation yöntemleri bazı hata veya sapmalara neden olur, ancak birden çok sapma, verileri oluşturma işleminin ve verilerin olasılık dağılımının benzetimini daha iyi bir şekilde sağlar.

     Eksik değerleri işleme yöntemlerine genel bir giriş için bkz. Eksik Veriler: son teknoloji. Schafer andLite, 2002.

     Uyarı

     Bu seçenek tamamen boş sütunlara uygulanamaz. Bu tür sütunlar olduğu gibi kaldırılmalıdır veya çıkışa geçirılmalıdır.

   • Özel değiştirme değeri: Tüm eksik değerlere uygulanan bir yer tutucu değeri (0 veya NA gibi) belirtmek için bu seçeneği kullanın. Değiştirme olarak belirttiğiniz değer, sütunun veri türüyle uyumlu olmalıdır.

   • Ortalama ile değiştir: Sütun ortalamayı hesaplar ve sütundaki her eksik değer için değiştirme değeri olarak ortalamayı kullanır.

     Yalnızca Tamsayı, Çift veya Boole veri türlerine sahip sütunlar için geçerlidir. Daha fazla bilgi için Teknik Notlar bölümüne bakın.

   • Değerini ortan ile değiştir: Sütun ortası değerini hesaplar ve sütundaki eksik değerlerin yerini alan ortası değerini kullanır.

     Yalnızca Tamsayı veya Çift veri türüne sahip sütunlar için geçerlidir. Daha fazla bilgi için Teknik notlar bölümüne bakın.

   • Modla değiştir: Sütunun modunu hesaplar ve sütunun her eksik değeri için değiştirme değeri olarak modu kullanır.

     Tamsayı, Çift, Boole veya Kategorik veri türlerine sahip sütunlar için geçerlidir. Daha fazla bilgi için Teknik Notlar bölümüne bakın.

   • Satırın tamamını kaldır: Veri kümesinde bir veya daha fazla eksik değere sahip olan tüm satırı tamamen kaldırır. Bu, eksik değerin rastgele eksik olarak kabul edilirse yararlıdır.

   • Sütunun tamamını kaldır: Veri kümesinde bir veya daha fazla eksik değeri olan tüm sütunu tamamen kaldırır.

   • Olasılıksal PCA kullanarak değiştirme: Sütunlar arasındaki bağıntıları analiz edip tam verilerin yeniden yapılandırıldı olduğu düşük boyutlu bir yaklaşık veri tahminini tahmin etmek için doğrusal bir model kullanarak eksik değerleri değiştirir. Temel alınan boyutsallık azaltması, Temel Bileşen Analizi'nin (PCA) olasılıksal bir biçimidir ve Tipping ve Andy'nin B 21(3), 611-622 serisinin Journal of the Journal(B21(3), 611-622 (611–622) günlüğünde önerilen modelin bir çeşitlesini uygulamaya alır.

     Zincirleme Denklemler (MICE) kullanarak Birden Çok Imputation gibi diğer seçeneklerle karşılaştırıldığında, bu seçenek her sütun için tahmine dayalı uygulama gerektirmenin avantajına sahiptir. Bunun yerine, tam veri kümesi için yaklaşık olarak birlikte değişkenlik sağlar. Bu nedenle, birçok sütunda eksik değerleri olan veri kümeleri için daha iyi performans sunabilirsiniz.

     Bu yöntemin temel sınırlamaları, kategorik sütunları sayısal göstergelere genişletmesi ve elde edilen verilerin yoğun bir değişken matrisini hesaplamasıdır. Ayrıca seyrek gösterimler için de iyileştirilmiş değildir. Bu nedenle, çok sayıda sütuna ve/veya büyük kategorik etki alanına (on binlerce) sahip veri kümeleri, yasak alan tüketimi nedeniyle desteklanmaz.

     İpucu

     Seçtiğiniz yöntemin seçimde yer alan tüm sütunlara uygulandığını unutmayın. Bu nedenle, bazı eksik değerleri bazı sütunlarda sıfırlarla değiştirmek ancak diğer sütunlarda yer tutucu eklemek için Verileri ayırmak ve Eksik Verileri Temizleme modülünün farklı örneklerini kullanmak için Veri Kümesinde Sütunları Seç seçeneğini kullanmelisiniz.

6. Özel değiştirme değeri seçeneğini seçtiyseniz Değiştirme değeri kullanılabilir. Sütundaki tüm eksik değerler için değiştirme değeri olarak kullanmak üzere yeni bir değer yazın.

   Bu seçeneği yalnızca Tamsayı, Çift, Boole veya Tarih veri türlerine sahip sütunlarda kullanabileceğiniz unutmayın. Tarih sütunları için değiştirme değeri 1/01/0001 12:00'dan itibaren 100 nanosaniyelik tık sayısı olarak da girilebilir.

7. Eksik değer göstergesi sütunu oluştur: Sütundaki değerlerin eksik değer temizleme ölçütlerine uygun olup olmadığını gösteren bir gösterge oluşturmak için bu seçeneği belirleyin. Bu seçenek özellikle yeni bir temizleme işlemi ayarlarken ve tasarıma uygun olduğundan emin olmak istediğinizde kullanışlıdır.

8. Denemeyi çalıştırın veya Eksik Verileri Temizleme modülünü seçin ve Seçili çalıştır'a tıklayın.

Sonuçlar

Modül iki çıkış döndürür:

• Temizlenen veri kümesi: Seçili sütunlardan oluşan ve bu seçeneği belirttiyseniz gösterge sütunuyla birlikte eksik değerlerin belirtilen şekilde işlenmiş olduğu bir veri kümesi.

  Temizleme için seçilmemiş sütunlar da "geçirilecek" şekildedir.

• Temizleme dönüşümü: Temizleme için kullanılan ve çalışma alanınıza kaydedilebilir ve yeni verilere daha sonra uygulanabilir.

Yeni verilere kayıtlı temizleme işlemi uygulama

Temizleme işlemlerini sık sık tekrarlamanız gerekirse, aynı veri kümesiyle yeniden kullanmak için veri temizleme tarifinizi bir dönüşüm olarak kaydetmenizi öneririz. Sık sık yeniden içeri aktarmalı ve ardından aynı şemaya sahip verileri temizlemeliyebilirsiniz.

1. Denemenize Dönüştürme Uygulama modülünü ekleyin.

2. Temizlemek istediğiniz veri kümesini ekleyin ve veri kümesine sağ giriş bağlantı noktasına bağlanın.

3. Studio'da (klasik) sol bölmede Dönüşümler grubunu genişletin. Kaydedilen dönüştürmeyi bulun ve denemeye sürükleyin.

4. Bağlan dönüştürmeyi Dönüştürme Uygula'nın sol giriş bağlantı noktasına geri takın.

   Kayıtlı bir dönüştürmeyi uygulayan, dönüştürmenin uygulandığı sütunları seçesiniz. Bunun nedeni, dönüştürmenin önceden tanımlanmış ve özgün işlemde belirtilen veri türlerine otomatik olarak uygulandığıdır.

   Ancak, sayısal sütunların bir alt kümesinde bir dönüşüm oluşturduğunuz varsayalım. Eksik değerler yalnızca eşleşen sayısal sütunlarda değiştirildiklerinden, bu dönüştürmeyi hataya neden olmadan karma sütun türlerinden bir veri kümesine uygulayabilirsiniz.

5. Denemeyi çalıştırın.

Örnekler

Bu modülün aşağıdaki örneklerde nasıl Azure Yapay Zeka Galerisi:

• Öğrenci performansı tahmini: Bu örnekte eksik değerler için sıfırlar eklenir.

• İkili Sınıflandırıcı örneği için Çapraz Doğrulama: Eksik değerleri doldurmak için sıfırlar kullanılır ve değişiklikleri izlemek için bir gösterge sütunu oluşturulur. Tüm eksik değerlere sahip sütunlar da korunur.

• Veri Kümesi İşleme ve Analiz: Bu örnekte, denemenin farklı dalları eksik değer değiştirme için farklı yöntemler kullanır ve veri kümeleri Daha sonra Verileri Özetle ve İşlem Doğrusal Bağıntısı kullanılarak değerlendirilir.

• Uçuş gecikmesi tahmin örneği: Boş satırlar tamamen kaldırılır.

Teknik notlar

Bu bölüm uygulama ayrıntılarının yanı sıra bilinen sorunları ve sık sorulan soruları içerir.

• Herhangi bir dize sütunu seçildiğinde ortalama veya orta gelir seçeneği kullanılırsa bir hata oluşur. Farklı veri türlerinde sütunları işlemeye ihtiyacınız varsa Eksik Verileri Temizle'nin iki örneğini oluşturun.

• Eksik değerleri sütunlarda Boole, Integer, DateTime veya TimeSpan veri türleriyle değiştirerek önce kayan nokta sayılarına dönüştürülür, ortalama hesaplanır ve ardından sonuç özgün veri türünün en yakın değerine yuvarlanır.

• Bir değiştirme değeri yazarak değerin seçili sütundaki veri türüyle uyumlu olması gerekir.

• Veri türünün NaNÇift Infolduğu –Inf sütunlar için , ve değerlerine izin verilir.

• MICE yöntemi kullanırken, değiştirilen değer eğitilen MICE modeli kullanılarak tahmin edilebilir.

• Eksik Verileri Temizleme özelliğinin kullanımı diğer sütun türlerini özelliğine sıfırlar. Verileriniz etiketler gibi başka sütun türleri içeriyorsa sütun türlerini düzeltmek için Meta Verileri Düzenle'yi kullanın.

Temizleme dönüşümlerinin kullanımıyla ilgili kısıtlamalar

Yeni verilerde kayıtlı bir dönüştürme (Eksik Verileri Temizleme temel alarak) kullanırken aşağıdaki kısıtlamalar geçerlidir:

• Kaydedilen bir dönüştürme, özgün temizleme işleminde bu seçenek kullanılmış olsa bile gösterge değerleri oluşturamaz. Gösterge değerlerini yeni bir dönüşümü test etme aşamasında en yararlı değer olarak değerlendirin.

• Dönüştürme, yeni veri kümesine göre yeni değerleri hesaplamaz. Başka bir deyişle, A Veri Kümesinde Eksik Verileri Temizleme'yi kullandıysanız ve 0,5 ortalama değeri oluştursanız, B Veri Kümesi'nin gerçek değerlerden bağımsız olarak bu değer B Veri Kümesi'nin eksik değerlerinin yerine ortalama olarak uygulanır.

• Yeni veri kümesinde yer alan sütunların veri türü, dönüşümün ilk olarak oluşturularak oluşturulan sütunların veri türüyle eşleşmesi gerekir. Sütunda veri türünü örtülü olarak değiştirecek işlemler gerçekleştiriliyorsa bir hata ortaya çıkar.

  Örneğin, [Col1] tamsayı veri sütunu için bir ortalama oluşturun ve dönüştürmeyi kaydedin. Şimdi temizleme dönüşümünü formül kullanılarak ayarlanmış [Col1] kopyasına ([Col1] /1.5) uygulamak istiyor musunuz? Sonucun bir tamsayı olduğundan emin olmak için sonucu yukarı yuvarlarsınız, ancak dönüştürmeyi uygulayan bir hata almaya devam edersiniz. Ancak değeri ([Col 1] * 10) gibi bir formül kullanarak ayarlarsanız hata olmaz!

  Bu tür sorunları önlemek için Meta Verileri Düzenle'yi kullanarak veri türünü açıkça tamsayıya sıfırlayın. Genel olarak, Matematik İşlemini Uygula modülünde yapılan işlemler sayısal sütunları örtülü olarak olarak olarak değiştirir double.

Eşik değerlerini ayarlama ve yorumlama

Minimum eksik değer oranı veya Maksimum eksik değer oranı seçeneklerini kullanarak temizleme işlemleri için bir eşik belirttiğinizde, sonuçlar beklenmedik veya kafa karıştırıcı olabilir. Maksimum ve minimum eksik değer seçeneklerinin nasıl iş olduğunu göstermek için Automobile Prices örnek veri kümesinden eksik değerleri olan çok sayıda sütuna sahip bazı örnekler sağladık.

Aşağıdaki tabloda, veri kümesinde hesaplanan eksik değerlerin oranıyla birlikte bu veri kümesinde yer alan birkaç sütun için eksik değerlerin sayısı yer alır. Eksik değerlerin oranı (en sağdaki sütunda), veri kümesinde belirtilen eşik değerlerine göre değerlendirmede kullanılacak değerdir.

Minimum eksik değer oranı değerini 0,019, Eksik değer oranı üst değerini ise 0,020 olarak ayarlamış olduğunu varsayalım. Aşağıdaki değer tablosuna göre bazı sütunlar eşik ölçütlerini karşılar ve bazıları bunu karşılamaz:

• ve sütunları bore eşik stroke ölçütlerini karşılar.
• ve sütunları normalized-lossescompression-ratio eşik ölçütlerini karşılamaz.

Sütun adı	Eksik değerlerin sayısı	Eksik değerlerin oranı
Normalleştirilmiş kayıplar	41	0,2
Geçişli	4	0.019512195
Kontur	4	0.019512195
Sıkıştırma oranı	0	0

Seçimde yer alan bazı sütunlar belirtilen ölçütleri karşılamayarak herhangi bir sütunda temizleme işlemi gerçekleştirilmemiştir. Modül, ne olduğunu anlamanıza yardımcı olmak için ve gösterge sütunlarında FALSE değerini bore_IsMissing döndürür stroke_IsMissing.

Ancak, eşiği En düşük eksik değer oranı için varsayılan 0 değerine ve Maksimum eksik değer oranı için 1 değerine geri değiştirirsanız, seçili tüm sütunlar için bir gösterge sütunu döndürülür ve belirtilen işlem gerçekleştirilir.

İpucu

Eksik değeri temizlemenin beklendiği gibi çalışıp çalışmay hakkında belirsizseniz Eksik değer göstergesi sütunu oluştur seçeneğini belirleyin.

Bilinen sorunlar

Verileri temizlemek ve ardından eksik değerler içeren bir veri kümesinde işlem yapmak için MICE yöntemini kullanırsanız şu hatayı alabilirsiniz: "AFx Kitaplık kitaplığı özel durumu: Model eğitilemedi. ( Hata 1000 )"

Bu hata yalnızca MICE yöntemi seçildiğinde ve eğitim veri kümesi eksik değerler içeriyorsa ancak test veri kümesi seçildiğinde oluşur.

Beklenen girişler

Ad	Tür	Description
Veri kümesi	Veri Tablosu	Temizlenecek veri kümesi

Modül parametreleri

Name	Aralık	Tür	Varsayılan	Description
Temizlenecek sütunlar	Herhangi biri	ColumnSelection	Tümü	Eksik değerler temizleme işlemi için sütunları seçin.
Minimum eksik değer oranı	[0.0;1.0]	Float	0,0	Yalnızca belirtilen değerin üzerinde eksik değer oranı olan ve seçili tüm sütunlardan bir kümenin dışında olan sütunu temizleyin.
En yüksek eksik değer oranı	[0.0;1.0]	Float	1.0	Seçili tüm sütunların kümesinde yalnızca belirtilen değerin altında değer oranı eksik olan sütunları temizleyin.
Temizleme modu	Liste	İlkeyi işleme	Özel değiştirme değeri	Eksik değerleri temizlerken kullanmak üzere bir algoritma seçin.
Değiştirme değeri	Herhangi biri	Dize	"0"	Eksik değerlerin yerini alacak bir değer yazın. Bu değer isteğe bağlıdır.
Tüm eksik değerlere sahip cols	Herhangi biri	ColumnsWithAllValuesMissing	Kaldır	Tüm eksik değerlerin sütunlarının çıkışta korunması gerektiğini belirtir.
Eksik değer göstergesi sütunu oluşturma	Herhangi biri	Boole	yanlış	Hangi satırların temizlenmiş olduğunu gösteren bir sütun oluşturma.
Yineleme sayısı	[1;10]	Tamsayı	5	MICE kullanırken yineleme sayısını belirtin.
PCA tahmini için yineleme sayısı	[1;50]	Tamsayı	10	PCA tahmini kullanılırken yineleme sayısını belirtin.

Çıkışlar

Ad	Tür	Description
Temizlenen veri kümesi	Veri Tablosu	Temizlenen veri kümesi
Dönüştürmeyi temizleme	ITransform arabirimi	Yeni verileri temizlemek için Dönüştürme Uygula modülüne geçirilir.

Özel durumlar

Özel durum	Description
Hata 0002	Bir veya daha fazla parametre ayrıştırılana veya belirtilen türden hedef yöntemin gerekli türüne dönüştürülememesi bir özel durum oluşur.
Hata 0003	Bir veya daha fazla giriş veri kümesi null veya boşsa özel durum oluşur.
Hata 0008	Bir parametre aralıkta yoksa özel durum oluşur.
Hata 0013	Modüle geçirilen yalıtıcı geçersiz türe sahipse bir özel durum oluşur.
Hata 0018	Giriş veri kümesi geçerli değilse bir özel durum oluşur.
Hata 0039	İşlem başarısız olursa bir özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning kodları.

API özel durumlarının listesi için bkz. Machine Learning REST API Kodları.

Ayrıca bkz.

Manipülasyon
Veri Dönüştürme
A-Z Modül Listesi