数据测量和采集往往会受到设备或环境等因素的干扰，形成带有随机误差的噪声数据。噪声数据不仅会增加计算开销，还可能增大计算误差。例如，在线性迭代过程中，如果数据中含有大量的噪声数据，将会大大影响模型的收敛速度，甚至影响机器学习模型的精度。噪声数据主要通过以下方法进行平滑处理。
（1）分箱。分箱方法通过考察相邻数据来确定数据的最终值，将需要处理的数据根据一定的规则放进由属性值划分出的“箱子”里，然后考察每一个箱子中的数据，采用某种方法对各个箱子中的数据进行处理。在采用分箱方法时，需要确定两个主要问题：如何分箱及如何对箱子中的数据进行平滑处理。
分箱方法有等高方法、等宽方法和自定义区间方法等，图2-3给出了等高与等宽两种典型的分箱方法。等高方法按照记录的行数进行分箱，每箱中记录的数据数量相同；等宽方法是按照区间的范围分箱，每个分箱的数据范围都相同；自定义区间方法中每个分箱的范围可以单独控制。分好箱后，求每一分箱的平均值、中值或边界极值，并使用这些统计值代替箱子中的所有数据，从而达到平滑数据的目的。
图2-3 两种典型的分箱方法
（2）聚类。通过K-means等聚类分析方法可以将相似的数据组织成不同的“簇”，而那些落在各个簇之外的数据被视为噪声。这种方法识别出的噪声数据可以直接清除，或参照异常数据处理方法进行处理。
（3）回归。回归法是利用相关变量之间的函数关系，将相关变量拟合成一条曲线或多维曲面，从而达到利用一个或一组变量值来预测另一个变量的目的，能够帮助平滑数据并除去其中的噪声。
