10.5　校直数据的重要性

EDA特别重视校直数据，这不仅仅是出于对简单性的要求。生活本身就是简单的（至少对于我们这些岁数大的经历较多的人是如此）。在物理学世界里，爱因斯坦发现了一个只用3个字母表达的普适原理：E=mc2。然而在我们目光所及的这个世界，简单性往往不被人们重视。笑脸是简单且易感受的，然而它能快速、有效和清晰地传达信息。为什么数据挖掘者要接受他或她的生活工作中不简单的东西？数字同样也应该清晰、高效且快速地进行沟通。在数据挖掘工程师的世界里，有两个特点会影响简单性：数据的对称度和直度。数据挖掘工程师应该坚持数字是对称的和直的。

两个连续变量X和Y的直线关系简单易懂。当X的值变大（变小）时，Y的值变大（变小）。在这种情况下，X和Y是正相关的。当X值变大（变小）时，Y的值变小（变大），在这种情况下，X和Y是负相关的。爱因斯坦公式的简单性还表现在E和m之间存在完美的正相关直线关系。

校直数据之所以重要，第二个原因是大部分回应模型都假设自己是线性模型。而且，即便是以预测更准确为标榜的非线性模型，如果使用校直数据，也可以得出更准确的预测结果。

我没有忽视对称性特征。由于理论上的原因，并非偶然的是，对称性和直性总是同时出现的。校直数据经常是对称的，反之亦然。你可能想起典型的对称数据具有钟形曲线形状。但是，对称数据指的是，在中间值的上下两边，数据值对于整个数据的分布具有同样的分布形态。