2.3.5.6: Unvollständige Beispiele

Neben inkonsistenten Beispielen können bei KDD-Verfahren auch unvollständige Beispiele auftreten, wenn z.B. einzelne Angaben fehlen oder neue Objekte auftreten, auf die die vorhandenen Attribute nicht angewendet werden können. Auch in diesem Fall gibt es einige Standardverfahren zur Vorbehandlung der Trainingsmenge, die je nach den Anforderungen an das System verwendet werden können.

Zunächst kann man zu jedem Wertebereich einen zusätzlichen Wert undefined hinzufügen. Das wird in der Regel das Skalenniveau auf das einer Nominalskala absenken. Für Verfahren, die ein höheres Skalenniveau der Wertebereiche ausnutzen, ist dieses Vorgehen daher problematisch.

Andere Möglichkeiten bestehen darin, den Wert einzusetzen, der von dem entsprechenden Attribut am häufigsten in der Trainingsmenge angenommen wird. Bei Ordinalskalen kann der Median, bei Intervallskalen ein Mittelwert (arithmetisches Mittel, gewichtetes Mittel) eingesetzt werden. Auch hier gilt aber, dass diese Verfahren meistens nicht Bestandteil des eigentlichen KDD-Algorithmus sind, sondern Methoden, die die Trainingsmenge mehr oder weniger künstlich in eine Form bringen, die von dem KDD-Verfahren bearbeitet werden kann. Besser wäre es natürlich auch hier, einen Algorithmus zu entwickeln, der die Unvollständigkeit berücksichtigt und entsprechende Regeln generiert.

Eine aufwändigere Methode besteht darin, fehlende Attributwerte mit Hilfe desselben Verfahrens vorherzusagen, das für die vorherzusagenden Attribute verwendet wird: Man nutzt die Beispiele, bei denen der Attributwert vorhanden ist, als Trainingsmenge und entwickelt damit einen Algorithmus, mit dem die fehlenden Werte bestimmt werden.

Wie bei den Inkonsistenzen muss beim Ergänzen fehlender Einträge darauf geachtet werden, ob das Fehlen zufällig oder systematisch ist. Bei systematischen Lücken können die beschriebenen Verfahren die Trainingsmenge verfälschen: Wenn z.B. ein bestimmter Attributwert nicht dargestellt werden kann oder systematisch ausfällt, kann das Einsetzen des häufigsten Werts bzw. des Mittelwerts die Datensätze verfälschen.