資料預處理data preprocess的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

資料預處理於深度學習異常封包偵測之影響研究

為了解決資料預處理data preprocess的問題，作者林珈如 這樣論述：

隨著網際網路的普及發展與需求提升，於網路安全相關領域中，網路入侵偵測系統（Intrusion Detection System, IDS）的建置備受高度重視，良好的入侵偵測系統可以有效遏止未經授權的訪問及惡意封包的駭入。現行研究中，資料預處理程序為研究中不可或缺的流程之一，數據資料的預處理會直接影響分類結果的好壞。入侵偵測相關研究中，大多使用演算法進行特徵選擇，選擇出高度相關或是鑑別度較高之特徵進行入侵偵測模型的訓練。然而，於特徵選擇的過程中，可能造成資料選擇的錯誤導致入侵偵測的誤判。此外，許多研究利用各種方式的標準化或正規化將數據資料集統一進行預處理，鮮少研究針對各資料集特徵屬性（Attr

ibute）間度量不一致進行探討。因此本文針對上述二者問題進行探討，匯入所有封包的特徵屬性資料，並使用神經網路模型進行自動化的特徵提取，以減少特徵選擇錯誤的問題；另於入侵偵測之網路封包度量不一致問題，提出有效的資料預處理方式進行改善。本研究以KDD Cup’99 Data作為研究實驗內容之資料集，於資料預處理過程中，先將資料集中各特徵各自進行標準化的程序（Standard Deviation Standardization）後，再將整個資料集中每筆封包資料進行量化（Data Quantization），量化後的資料使用Z字型的排列方式進行資料編排，最後再使用IDCT對編排後之資料進行圖像轉換。

最後將轉換後之灰階圖像匯入至簡易的神經網路模型中進行訓練。由本文實驗結果可知，本文提出之資料預處理方式結合簡易神經網路模型，於模型訓練過程中有良好的收斂結果；且分類模型擁有良好的分類能力，從實驗結果可獲得高達94%以上的召回率(recall rate)；同時即使將封包資料以較小的圖像亦可獲致相似的結果，證實本論文之資料預處理可以直接影響網路封包分類檢測之效果。

AFDM: 可支持分類模型推薦功能的自動化錯誤診斷機制

為了解決資料預處理data preprocess的問題，作者葉鎧瑋 這樣論述：

目前製造業已廣泛使用工具機，以提升自動化生產的效率。藉由現代化技術的協助，工具機能提供比以往更精細的加工過程。然而，高度自動化的製造流程仰賴工具機運作時的穩定度。機械磨耗不僅劣化加工料件的品質，更可能降低生產效率。對於工廠管理者而言，預先診斷出工具機的故障情形、減少意外停機時間、提升產品品質是他們最關心的議題。但是因為環境和機具特性不一，即使管理者獲得大量機具運轉狀態的數據，也很難使用同一套分類模型來分析該數據。近年來，隨著大數據分析技術、深度學習方法的進步，許多專家和學者提出各種基於分類模型所設計的錯誤診斷機制，但由於資料特性和模型特色不一，使得管理者在面對大量的工具機狀態資料時，難以抉擇

該採用何種方案。在本論文中，我們提出一套自動化錯誤診斷機制(AFDM)，這套機制可依據輸入資料的特性，推薦適用該資料（或該場域）的分類模型，用以協助分析資料中的異常狀況，在工具機場域內，AFDM可幫助工廠管理者建立智慧維護系統。AFDM預先提供各種資料預處理(Data Preprocess)方法和分類模型(Classification Model)，以診斷和預測工具機故障的可能性。透過多準則決策分析(Multiple-criteria Decision Making)方法的整合，AFDM能夠評估不同解決方案的效能，並根據不同的使用場景和管理員的偏好設定推薦最適合的分類模型。我們設計多個實驗來驗

證AFDM的效能與特性，包括來自不同機具的數據集、數據集訓練資料比例、資料預處理方法的選擇和分類模型的參數對於分類效能的影響，實驗結果顯示不同的實驗配置會影響分類模型在各個方面的效能表現(如分類率和計算時間)，換言之，依不同使用情境選擇最合適之分類模型是必要的。同時，為了驗證AFDM的可擴充性，我們安裝基於經驗法則所設計的分類模型於AFDM中，並比較其性能和AFDM內預設分類模型之差異。此性能差異分析，有助於改善依該經驗法則建置之分類模型的設計。在推薦最合適的分類模型方面，實驗結果顯示AFDM採用的TOPSIS能在多種偏好設定下產生不同分類模型的推薦排名，並且能夠在微調欲評估之效能指標的相對權

重情況下，產生具有一致性的推薦排名。這樣的一致性有助於管理者選取適用其場域的分類模型。