নিচে প্রি-প্রসেসিং ধাপগুলো দেওয়া হলো যা ডেটার ওপর প্রয়োগ করা যায় ক্লাসিফিকেশন বা প্রেডিকশন ফেজের আকিউরেসি, ইফেক্টিভনেস, এবং স্কেলেবিলিটি বেড়াতে:
ডেটা ক্লিনিং (Data Cleaning): এটি ডেটা প্রি-প্রসেসিংকে নির্দেশ করে নয়েজ কমাতে বা দূর করতে স্মুথিং মেথড এবং মিসিং ভ্যালু অপারেশন ব্যবহার করে (যেমন, একটি মিসিং ভ্যালুকে সেই অ্যাট্রিবিউটের জন্য সবচেয়ে সাধারণত আসা মান দিয়ে রিপ্লেস করে, বা סט্যাটিস্টিক্স ভিত্তিক সেরা সম্ভাব্য মান দিয়ে)। যদিও বিবিধ ক্লাসিফিকেশন অ্যালগরিদম নয়েজি বা মিসিং ইনফরমেশন হ্যান্ডল করার কিছু স্ট্রাকচার রাখে, এই ধাপ লার্নিং-এর সময় কনফিউশন কমাতে সাহায্য করতে পারে।
রিলেভেন্স অ্যানালাইসিস (Relevance Analysis): ডেটাতে বহু অ্যাট্রিবিউট থাকে যা ক্লাসিফিকেশন বা প্রেডিকশন টাস্কের জন্য অপ্রাসঙ্গিক হতে পারে। উদাহরণস্বরূপ, ডেটা রেকর্ডিং যে সপ্তাহের কোন দিনে একটি ব্যাংক লোন অ্যাপ্লিকেশন পূরণ করা হয়েছিল সেটি অ্যাপ্লিকেশনের সাফল্যের জন্য প্রাসঙ্গিক হতে অসম্ভব। উপরন্তু, কিছু অন্যান্য অ্যাট্রিবিউট রিডান্ডান্ট হতে পারে।
তাই, ডেটার ওপর রিলেভেন্স অ্যানালাইসিস বাস্তবায়ন করা যাতে কিছু অপ্রাসঙ্গিক বা রিডান্ডান্ট অ্যাট্রিবিউট লার্নিং প্রসেস থেকে অপসারণ করা যায়। মেশিন লার্নিং-এ, এই ধাপকে ফিচার সিলেকশন বলা হয়। এতে এমন অ্যাট্রিবিউট থাকে যা অন্যথায় লার্নিং স্টেপ স্লো করত এবং সম্ভবত মিসলিড করত।
সঠিকভাবে, রিলেভেন্স অ্যানালাইসিতে ব্যয় হওয়া সময়, যখন লার্নিং-এ ব্যয় হওয়া সময়ের সাথে যোগ করা হয় ফলস্বরূপ "রিডিউসড" ফিচার সাবসেট থেকে, অবশ্যই কম হতে হবে সেই সময়ের চেয়ে যা ইনিশিয়াল ফিচার সেট থেকে লার্নিং-এ খরচ হতো। তাই, এই অ্যানালাইসিস ক্লাসিফিকেশন ইফেক্টিভনেস ও স্কেলেবিলিটি বেড়াতে সাহায্য করতে পারে।
ডেটা ট্রান্সফরমেশন (Data Transformation): ডেটা একটি উচ্চ-স্তরের পদ্ধতিতে জেনারেলাইজ করা যেতে পারে। কনসেপ্ট হায়ারার্কি এই লক্ষ্যে ব্যবহার করা যেতে পারে। এটি বিশেষভাবে সহায়ক কন্টিনিউয়াস-ভ্যালুড অ্যাট্রিবিউটের জন্য। উদাহরণস্বরূপ, ইনকাম অ্যাট্রিবিউটের ম্যাথেম্যাটিক্যাল মানগুলো ডিসক্রিট ফিল্ডে জেনারেলাইজ করা যেতে পারে যেন লো, মিডিয়াম, এবং হাই। একইভাবে, নমিনাল-ভ্যালুড অ্যাট্রিবিউট, যেমন স্ট্রিট, উচ্চ-স্তরের কনসেপ্টে জেনারেলাইজ করা যেতে পারে, যেমন সিটি।
কারণ জেনারেলাইজেশন ইনিশিয়াল ট্রেনিং ডেটা ছোট করে, কম ইনপুট/আউটপুট অপারেশন লার্নিং-এর সময় জড়িত হতে পারে। ডেটা নরমালাইজডও করা যেতে পারে, বিশেষ করে যখন নিউরাল নেটওয়ার্ক বা ডিস্ট্যান্স মেজারমেন্ট সম্বলিত কৌশল লার্নিং স্টেপে ব্যবহার করা হয়।
নরমালাইজেশন شامل একটি দিয়ে गये অ্যাট্রিবিউটের সব মান স্কেল করা যাতে সে একটি ছোট নির্দিষ্ট রেঞ্জে পড়ে, যেমন -১.০ থেকে ১.০, বা ০ থেকে ১.০। ডিস্ট্যান্স মেজারমেন্ট প্রয়োগকারী এই পদ্ধতিগুলোতে, এটি অ্যাট্রিবিউট যাদের মূলত হাই রেঞ্জ (যেমন, ইনকাম) থেকে বাধা দেয়।
