客户通常多年来积累了大量数据；例如，多年来存储了所有交易的记录，或者存储了高频传感器数据的时间序列。原则上，这是一个良好的开端，但如果数据从未用于任何类型的分析，则数据往往会受到严重污染。例如，数据缺失、数据输入错误、传感器网络技术问题、对数据进行的手动操作等等。一旦我开始探索数据，这些问题就会显现出来，但并不总是清楚如何解决这些错误。通过做出某些假设，我通常可以对数据进行大量清理，但这可能是一项非常耗时的任务。
重要的是，客户要意识到错误数据的后果。首先，基于错误数 最近的手机号码数据 据训练的机器学习模型无法提供可靠的预测，并可能导致错误的见解。在一定程度上，你可以通过使用所谓的“稳健”方法来避免这种情况，例如，使用中位数而不是平均值，或者在估算模型参数时使用RANSAC 算法，但这种衡量方法并不总是足够的。其次，训练有素的机器学习模型在进行预测时期望输入是正确的。如果它得到了错误的输入，那么结果就毫无意义。
因此，尽可能保持数据库健康无误至关重要。为了防止将来更多错误数据进入数据库，客户必须以不同的方式处理数据。必须更加关注数据。例如，在写入数据库的应用程序中实施健全性检查，或主动监控数据库内容。