如果希望数据处理模型取得成功，就必须确保使用的数据质量高。这意味着要考虑数据收集过程的每个步骤，并确保数据能够用于特定目的。
为了实现数据集成，数据科学家不断将各种数据集合并为一个。任何数据集成都应该使开发人员能够创建一个解决手头问题的模型。
如果所使用的信息没有得到适当的整合，并且不 澳大利亚电话号码数据 符合某些要求，那么结果的质量就会很低。有时这被称为 “垃圾进，垃圾出” 在开发世界中 – 如果将垃圾放入模型中，则最终会产生垃圾。
原始数据是未经任何数据准备的数据。它只是某些过程或测量的原始输出。虽然原始数据很有用，但它通常不是机器学习算法可以使用的形式。这就是数据准备如此重要的原因。
如果您不了解您的数据源，您可能会发现您拥有的原始数据没有得到正确转换。
以下是您和您的团队应该提出的一些问题：
您从哪里以及如何获取数据？
数据有多准确？
数据显示了什么？
为了解决当前的问题，需要进行哪些数据转换？
如果您的团队能够回答这些问题，那么您就更接近解决问题了。
自助数据准备
和 自助数据准备，用户可以利用工具直接管理和处理原始数据以实现特定目标，而不是依靠人们手动完成。