在資料中有哪些偏見會產生呢？讓我們看下去
Missing Feature Values：
我們的數據擁有特徵（feature），當這個（些）特徵發現缺少大量示例的值，表這個數據資料中可能有某些特徵值沒有被表現出來。所以當發生有缺少時，要檢查是否資料發生的原因，以及這樣的原因是否會影響我們的結果。
Unexpected Feature Values：
在瀏覽我們的資料集時，要檢查一下是否有一些極值，或是奇怪、不該存在的資料在裡面，因為那些資料會造成初期整理的時候就會造成影響，甚至模型訓練的時候造成誤差。
Data Skew：
在數據資料中，發生了偏斜現象，就是說某些特徵相對於事實有所偏離，例如我們要算台北的房價，可能因為選擇交通方變得地方也就是捷運附近，但是其他地方沒有選擇，例如帝寶社區、陶朱隱園等等，就會算出來平均價格其實是低的。因此這樣的資料偏斜，也會造成模型訓練發生問題。
參考文章：【Day15】2rd：表現（Representation）
睫毛之聲：
光是資料就要處理好多，眼睛都花了
iThome鐵人賽
看影片追技術