数据挖掘处理的数据可能以前用于其他问题，或者用于未来尚未发现的某种问题。由于缺少具有针对性的调查设计或检验实验，数据质量的问题难以避免。因此，数据挖掘的第一步，通常称为数据清洗。下面的内容介绍数据质量，该部分内容与实际应用相关，主要涉及数据搜集问题。

测量设备、人工操作都可能会令部分数据的值甚至是整个数据对象丢失。同时，在一些情况下，可能会有不真实或者重复的对象。例如，对于一个当前住在多个不同地方的人，可能会有多条不同的记录。数据在记录过程中可能会出现错误，例如，一个人体重50 kg，身高却只写了1.69 cm。下面介绍数据测量和收集过程中的数据质量问题。首先定义测量和数据收集误差，然后考虑涉及测量误差的各种问题，如噪声、伪像、偏倚、精度和准确率；最后讨论可能同时涉及测量和数据收集的数据质量问题，如离群点、遗漏值、不一致、重复数据。

(1)测量误差与数据收集错误:测量误差是指测量过程中导致的问题。其意味着在某种程度上，数据与真实情况不符。对于连续属性，测量值与真实值之差被称为误差。数据收集错误是指数据对象或属性值在实际记录时产生的错误。测量误差和数据收集错误可能是系统或随机的。系统误差的校正方式较为固定，原因是其误差产生的方式一致。在特定领域，某些常见错误出现的频率高，但这些常见的错误已有解决方案，如可以通过一些人机交互手段或是多人反复检查来改正错误。

(2)噪声或伪像:通常包含时间或空间分量的数据。在这种情况下，常常可以通过信号或图像处理技术抑制噪声。尽管如此，完全消除噪声仍不可能，例如，采集心电的设备，若其脱落，则根本无法恢复波形。许多数据挖掘工作关注设计健壮性高的算法以增强其抗干扰能力，如在训练模型时使用数据增强。数据错误可能是一种特定的现象，例如，多张图片上同样位置具有相似的条纹。这种确定性失真有时被称作伪像。寻找算法去除伪像同样是可行之途。(www.daowen.com)

(3)精度、偏倚和准确率:精度是表示观测值与真实值的接近程度，通常用标准差来衡量。偏倚是测量值和被测量系统之间的偏差，通常用统计得到的均值和测量值获得。只有在能通过外部手段获取测量值的情况下，才能获得偏倚。而准确率描述的是测量值和实际值之间的接近度，依赖于精度和偏倚，是一个更为一般的概念。因此，没有一个准确的公式，需要重点考虑的是有效数字的使用。

数据集本身可能并不提供关于精度、偏倚等质量方面的描述，但在数据挖掘中，若对此忽视，可能会在分析中得到与现实相悖的结论。在排除质量不佳的数据的同时，随着要求的提升，分析者可能发现存在数据量不足的情况，此时需要扩展数据集，或者容忍一部分低质量的数据。