數(shù)據(jù)清洗是指發(fā)現(xiàn)并糾正數(shù)據(jù)文件中可識(shí)別的錯(cuò)誤的最后一道程序，包括檢查數(shù)據(jù)一致性，處理無(wú)效值和缺失值等

正確答案是：A: 異常值處理 和 B: 缺失值處理。

專業(yè)分析：

知識(shí)發(fā)掘處理（Knowledge Discovery Process）是一個(gè)多步驟的過(guò)程，通常包括數(shù)據(jù)收集、數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換、數(shù)據(jù)挖掘、模式評(píng)估和知識(shí)表示等階段。數(shù)據(jù)清洗是其中一個(gè)關(guān)鍵步驟，主要目的是提高數(shù)據(jù)質(zhì)量，以便后續(xù)的數(shù)據(jù)分析和挖掘能夠更加準(zhǔn)確和可靠。

在數(shù)據(jù)清洗階段，主要涉及以下幾個(gè)方面：

A: 異常值處理：異常值（Outliers）是指數(shù)據(jù)中偏離正常范圍的值，這些值可能是由于數(shù)據(jù)錄入錯(cuò)誤、傳感器故障等原因產(chǎn)生的。在數(shù)據(jù)清洗階段，需要識(shí)別并處理這些異常值，以免它們對(duì)后續(xù)分析產(chǎn)生誤導(dǎo)。

B: 缺失值處理：缺失值（Missing Values）是指數(shù)據(jù)集中某些屬性的值缺失。缺失值可能會(huì)影響數(shù)據(jù)分析的結(jié)果，因此需要在數(shù)據(jù)清洗階段進(jìn)行處理，常見的方法有刪除缺失值、用平均值或中位數(shù)填補(bǔ)缺失值等。

C: 預(yù)測(cè)結(jié)果可視化輸出：這是數(shù)據(jù)挖掘或分析后的一個(gè)步驟，屬于模式評(píng)估或知識(shí)表示階段，不屬于數(shù)據(jù)清洗階段。

D: 理解業(yè)務(wù)背景：這是知識(shí)發(fā)掘過(guò)程的前期準(zhǔn)備工作，通常屬于數(shù)據(jù)收集或需求分析階段，不屬于數(shù)據(jù)清洗階段。

綜上所述，A: 異常值處理 和 B: 缺失值處理 是數(shù)據(jù)清洗階段的典型工作內(nèi)容。