این مشکل به خصوص در پایگاه داده های تجاری حاد است.اگر پایگاه داده از ابتدا با هدف کشف دانش طراحی نشده باشد ممکن است فاقد برخی ویژگی های مهم باشد.

• • روابط پیچیده بین فیلدها

ویژگی ها یا مقادیر با ساختار سلسله مراتبی، روابط میان ویژگی­ها و نیز انواع روش­های پیچیده نمایش دانش، نیاز به الگوریتم هایی دارند که به طور موثر از این اطلاعات استفاده کنند.

• • قابل درک بودن الگوها

در بسیاری از کاربردهای داده کاوی، اینکه کشفیات برای انسان قابل فهم تر شوند، بسیار مهم است]1[.

2-5 پیش پردازش و آماده سازی داده ها :

آماده سازی داده ها برای داده کاوی هنر چلاندن و فشردن داده های موجود و بیرون کشیدن داده های با ارزش است.آماده سازی نیز به عنوان جزئی از داده کاوی بستگی به نوع مسئله و نیز روش­ها و ابزارهایی دارد که می­خواهیم بر روی داده به کار ببندیم.
آماده سازی داده ها حدود 60 تا 90 درصد زمان مورد نیاز برای کاوش داده را صرف کرده و 75 تا 90 درصد موفقیت پروژه های داده کاوی به آن مربوط می­ شود.ممکن است داده مفقوده یا تکراری باعث گمراهی شوند.می­توان گفت داده ها در عالم واقع دارای آلودگی^[14] های زیر هستند :
ناقص^[15] : مانند نمونه های ناکافی، کمبود مقادیر برخی مشخصه ها
مغشوش^[16] : داده ها دارای خطا یا مقادیر پرت هستند.
ناسازگار^[17] : دارای تناقض در کدها و یا نام ها هستند.

2-5-1اجزای اصلی پیش پردازش داده ها

از دیدگاه آمار در بررسی مسائل مرتبط با پیش پردازش داده ها می­توان گفت مشکلات به دو دسته تقسیم می­شوند :

• • مسائل مربوط به نمونه مانند نمونه های مفقوده و داده های پرت

• • مسائل مربوط به توزیع مانند نرمالیتی و خطی بودن]1[.

در ارتباط با دسته نخست می­توان به تفصیل موارد زیر پرداخت.

1. 1. پاکسازی داده

اغلب به جهت خطاهای عملیاتی و پیاده سازی سیستم ها، داده های برآمده از منابع دنیای واقعی پرغلط، ناقص و ناسازگار هستند.لذا لازم است در ابتدا چنین داده های کم کیفیتی تمیز شوند.این کار شامل برخی عملیات پایه مانند نرمال سازی، حذف نویز یا اغتشاش، مواجهه با داده ­های مفقوده، کاهش افزونگی، برطرف کردن ناسازگاری و از اینگونه کارها است.

1. 1. یکپارچه سازی داده

یکپارچه سازی داده نقش مهمی در KDD ایفا می­ کند.این عملیات شامل یکپارچه سازی چندین پایگاه داده ناهمگن بوده که قبلا به وسیله چندین منبع ایجاد شده است.

1. 1. تبدیل داده

این کار شامل عملیاتی همچون هموار سازی، تجمیع و نرمال سازی است.

1. 1. کاهش داده

این کار شامل یافتن ویژگی­های مفید برای بازنمایی داده و استفاده از روش­های کاهش بعد، گسسته سازی و استخراج(تبدیل) ویژگی ها است.

1. 1. تصویر کردن برای کاهش بعد

تصویر کردن برای کاهش بعد نوعی کاهش ستونی داده است با این فرق که در آن مشخصه­های تغییر یافته جدیدی از روی مشخصه های اولیه ساخته می­شوند.
شکل(2-4)-عملیات مختلف در پاکسازی داده]1[

2-5-1-1 پاکسازی داده ها

پاکسازی داده در واقع مرحله کنترل کیفی قبل از تحلیل داده است. به طور کلی می­توان گفت در این مرحله بررسی های زیر انجام می­ شود: