尽管数据挖掘加载项使创建和试验模型变得相当简单有趣，但当需要获得可重复、可作的结果时，必须有足够的时间来制定基本业务要求，以及获取和准备数据。 本部分提供了一个清单，可帮助你规划调查，并描述常见问题。
数据准备清单
我已确定明确定义的输出。
规划如何使用结果。 不同类型的模型具有不同的输出。 时序模型为未来的序列生成值，这些值很容易被理解和进行操作。 其他模型生成复杂集，必须由主题专家分析才能产生最大的价值。
需要什么输出？
是否可以将输出定义为单个列或值或其他可作的结果？
知道模型很有用的条件是什么？
如何使用和解释这些结果？
能否将新输入数据映射到预期结果？
我知道输入数据的含义、数据类型和分布。
花些时间浏览和了解源数据。 评审模型的人员必须了解使用了哪种类型的输入数据，并知道如何解释数据类型和可变性，以及平衡和质量。
你拥有多少数据？ 是否有足够的数据用于建模？
不需要大量的，而更小且平衡的可能更好。
数据来自多个来源还是单个来源？
数据是否已处理干净？ 是否有更多输入数据可用？
你知道在收到之前数据是如何处理的——数据可能被截断、汇总或转换？
输入数据是否具有可用于训练的一些示例结果？
我了解我们拥有的数据完整性级别和所需的级别。
不良数据可能会影响模型的质量，或防止模型完全生成。 你应该很好地了解数据的分布和含义，以及它是如何进入此状态的。 你需要了解是否可以或适当地通过标记、截断数值数据类型或汇总来简化数据。
数据标签：它们是否清晰正确？
数据类型：它们是否合适，是否已更改？
是否已对错误数据进行排序、清理或丢弃？
是否已验证没有重复项？
如何处理缺失值？ 缺失值是否有意义？
是否已验证源，以查看导入过程中是否可能引入任何错误？
输入存储在何处？ 它可用多长时间？
是否有数据字典？ 你能创建一个吗？
如果合并数据集，是否检查了表示相同数据的多个列？
我知道源数据的存储位置、来源以及处理方式。 如果需要，可以轻松重复此过程。
一次性数据集适用于试验，但如果你想要将模型投入生产，则需要提前考虑如何将清理过程应用于业务数据。 此外，如果你有运营数据，需要知道在获得这些数据之前它可能被修改过的方式；当然，你需要明白它是如何进行舍入或者汇总的。
您想能够重复实验吗？
你将使用哪些工具以支持数据分析的格式准备数据？ 是否可以自动执行，或者是否需要有人在 Excel 中查看和清理？
如果要从另一个系统采购数据，能否捕获和跟踪应用的筛选器？
数据处理框架是否可以应用机器学习算法、执行测试和可视化结果？
我们已就预测的所需粒度达成一致，数据已修改为输出这些单位。
在准备数据之前，请确定所需结果的粒度，例如，是否希望按天或每季度进行销售预测？ 可以考虑为同一数据设置不同的数据结构，以处理不同级别的摘要。
当前度量单位或时间单位是什么？
要在结果中使用的单元是什么？
是否可以为所有输入数据定义基本单位（例如日/小时/分钟/指令调用） ？
是否要汇总到更高层级的单位？
是否一致地标记类别？ 添加或删除类别是否容易？
我们的实验设计是可重复的和可重现的。
考虑用于分析和验证结果和计划捕获数据快照的策略，以确保可以跟踪数据的影响。 如果使用随机种子，结果可能会稍有不同。 这会使比较和验证模型变得困难。
如果对数据进行大量自定义更改，下次要生成模型时会发生什么情况？
是否已定义手动过程或已批准的流程，该流程应该用于处理输入并获取所需的输出？
是否决定为模型使用种子？
我们有领域知识来验证结果，或有权访问可以建议的主题专家。
花时间验证变量、模型和结果。 获取专家的帮助，以评估交互和结果。 但是，不要让假设推翻证据。 对新的和意想不到的发现开放。
域知识是否可用于帮助筛选数据并减少输入干扰？
域专家能否帮助理解解释结果并建议改进？