在构建基于人工智能的工程造价指标数据库时,数据预处理是提升模型训练效果的关键步骤。下列关于数据预处理操作及其目的的描述,正确的有?
A.对缺失值进行填充或删除,旨在消除因数据不完整导致的统计偏差
B.对异常值(Outliers)进行检测与处理,目的是剔除因录入错误或特殊工程条件导致的非典型数据,防止模型过度拟合极端值
C.对数值型特征进行归一化或标准化处理,旨在消除不同量纲特征对模型距离计算或梯度下降过程的影响
D.对分类变量进行独热编码(One-Hot Encoding),旨在直接增加数据的维度以扩大样本量,从而解决小样本过拟合问题
E.数据预处理应包含对原始数据标签(即造价结果)的随机扰动,以增强模型的鲁棒性并防止数据泄露
优质解答
答案
ABC
解析
本题考查人工智能在工程计价应用中数据预处理的基本原理。
选项A正确:缺失值处理是数据预处理的基础,通过填充(如均值、众数)或删除不完整记录,可以确保数据集的完整性和统计分布的合理性,避免计算偏差。
选项B正确:异常值往往代表噪声或极端情况,在工程计价中可能源于计量错误。处理异常值有助于模型学习一般规律,防止模型被极端值“带偏”,即避免过拟合或预测值偏离正常区间。
选项C正确:工程计价数据中,各特征的量纲差异巨大(如“元”、“米”、“吨”)。归一化或标准化可以将数据映射到统一区间,消除量纲影响,加速算法收敛,提高模型稳定性。
选项D错误:独热编码(One-Hot Encoding)是将分类变量转换为二进制向量,虽然会增加特征维度,但其目的并非“扩大样本量”(样本量指记录条数,编码不增加记录数),也不能直接解决小样本过拟合问题,反而可能因维度灾难增加计算复杂度。
选项E错误:在数据预处理阶段,严禁对标签(Target/Label,即造价结果)进行随机扰动。标签是模型学习的标准答案,扰动标签会引入噪声,导致模型学习错误的映射关系,严重降低预测精度。防止数据泄露通常指训练集与测试集严格隔离,而非扰动标签。
科目:建设工程经济题型:多选题难度:中等来源:AI生成