شکل مناسب داده ها به عنوان ورودی الگوریتم های  داده کاوی نقش به سزایی در این فرایند بازی می کند. تکینیک های تغییر شکل داده ها متکی به مشکل نیستند ولی در اجرا نتایج بهتری از داده کاوی را سبب می شوند.

انجام روش های کاهشی ابعاد داده ها با نرم افزار های داده کاوی

بسیاری از تکنیک­ها در آزمون فرض­های آماری خود دارای چندین پیش فرض اولیه هستند که در صورت برقرار نبودن این پیش فرض­ها نمی­توان به نتایج به دست آمده با دقت مورد نظر اطمینان نمود. یکی از مهمترین این پیش فرض­ها داشتن توزیع نرمال متغیر وابسته است که در صورت عد­م وجود استفاده از تکنیک­های آماری را دچار مخاطره می­نماید. 

 تبدیلات نرمال­ساز

اگر فرض نرمال بودن رد شود، در ابتدا باید نقاط پرت یا خطاها در داده­ها شناسایی شوند. برای شناسایی مشاهده­های پرت می توان از نامساوی چبی­شف یا آزمون­های آزاد توزیع استفاده کرد. ممکن است بلافاصله پس از حذف نقاط پرت، توزیع داده­ها نرمال شوند. از این رو برای نزدیک ساختن توزیع داده­ها به توزیع نرمال، حذف مشاهده­های پرت نسبت به تبدیل داده­ها از تأثیر بیشتری برخوردار است. اگر مشاهدات ­پرت مطرح نباشند، تبدیلات بر روی داده­ها بسیار سودمند خواهند بود. تبدیلات مناسبی با بررسی­های نظری یا خود داده­ها پیشنهاد می­شوند:

 تبدیلات کلاسیک

 تبدیل­های ریشه دوم، تبدیل لگاریتمی و هم چنین تبدیل وارون معمولاً بر مبنای نظری یا شواهد  تجربی برای دستیابی به خطی بودن الگو، نرمال شدن یا تثبیت واریانس خطا انتخاب می­شوند. این  تبدیل­ها را به عنوان یک حالت از تبدیلات توانی، می­توان در نظر گرفت.

تبدیل ریشه دوم

تبدیل ریشه دوم، تبدیلی است که در تصحیح شکل توزیع و کاهش چولگی مثبت داده­ها مؤثر است. ولی در مقایسه با تبدیل­هایی نظیر لگاریتم و ریشه سوم توان کمتری برای نرمال کردن توزیع داده­ها دارد. عیب دیگر این تبدیل آن است که برای مقادیر منفی تعریف نشده است. برای غلبه بر این مشکل می­توان مقدار ثابتی به داده­ها اضافه کرد، طوری که کوچکترین مقدار بزرگتر از صفر یا یک باشد. برای عددهای بزرگتر از یک ریشه دوم همواره کوچکتر و برای اعداد بین صفر و یک ریشه دوم بزرگتر است. لذا با کاربرد این تبدیل برای متغیرهای پیوسته­ای که مقادیر بین صفر و یک را دارند، با عددهایی مواجه می­شویم که بسیار متفاوت از هم بوده و قابل توصیف نیستند. این تبدیل بویژه مناسب است هرگاه متغیر دارای توزیع پواسون باشد.

 ­­تبدیل لگاریتم

 تبدیل لگاریتم­ تبدیلی است که به طور وسیعی در تحلیل رگرسیون به کار می­رود.­ به جای کار کردن  مستقیم با داده­ها می­توان تحلیل رگرسیون را با لگاریتم داده­ها انجام داد. این تبدیل بویژه وقتی مورد  استفاده واقع می­شود که متغیری که تحلیل می­شود، انحراف معیار بزرگی در مقایسه با میانگینش داشته  باشد. کار کردن با داده­ها در مقیاس لگاریتمی اغلب تغییر پذیری و عدم تقارن را کاهش می­دهد. این  تبدیل در حذف نا­همپراشی نیز مؤثر است.

 تبدیل وارون

 زمانی که بین داده­ها، مقدار صفر وجود نداشته باشد استفاده از تبدیل وارون مناسب است. این تبدیل اثر مقادیر بزرگ را مینیمم می­کند زیرا برای این مقادیر، مقادیر تبدیل یافته نزدیک به صفر خواهد بود. گرچه تبدیل وارون را برای داده­های منفی نیز می­توان به کار برد، اما زمانی که همه مقادیر مثبت هستند  استفاده از این تبدیل برای بهبود وضعیت­ نرمال در توزیع داده­ها، مناسب است.