缺失值處理
在處理大量資料時，資料有些會有缺失的情況，有分以下幾種缺失的情況，隨機缺失(Missing at Random)、完全隨機缺失(Missing Completely at Random)、非隨機缺失(Missing not an Random)。

隨機缺失：資料缺失項不是完全隨機的，與其他變數有關聯性。

完全隨機缺失：資料的缺失項是完全隨機的，不依賴於其他變數，跟其他變數不相關。

非隨機缺失：資料的缺失與不完全變數的取值有關。

隨機缺失和非隨機缺失，直接刪除記錄是不合適的，所以會透過一些方式來對缺失值進行估計，如使用均值來補齊缺失值，數據依屬性有分為定距型與非定距型，定距型可以利用平均值來補齊缺失值；非定距型則可以利用統計的方式來找出眾數，用該數據的眾數來補齊缺失值。這是為最簡單的方式。

特徵選擇
在訓練資料的特徵很多時，要篩選那些特徵對於模型訓練是有幫助的，要一一的做配對來選擇出最適合的。如在人臉辨識時會先選擇使用人臉的五官特徵來做訓練，可以分別對五官做訓練，在利用這些學習到的特徵來模擬出一個像真人一樣的假影像。

特徵提取
在人臉辨識中特徵擷取較為重要，但要如何擷取到重要的特徵(人臉的五官)，而非其他的如背景或是配件等，前者為固定的最多只會隨著時間而有所變化，後者而非固定的偶爾會有所變化，但要在變化時也要準確的辨識出人，不會受到影響而辨識錯人。