Выбросы и пропущенные значения: наведение порядка в данных перед обучением

Коротко: Прежде чем модели обучаются, нужно обработать пропущенные значения и изучить выбросы; иначе они искажают средние значения и результаты.

Подробнее: Реальные данные неполны и содержат ошибки и крайности. То, как с ними обращаются, часто решает результаты больше, чем выбор модели. Цель — не «приукрасить» данные, а принимать обоснованные решения.