多分類(lèi)變量需要做啞變量轉(zhuǎn)換。數(shù)據(jù)誤差當(dāng)然會(huì)影響準(zhǔn)確性。線性回歸很容易受到異常值的影響

關(guān)于數(shù)據(jù)診斷清洗的說(shuō)法，以下是正確的分析：

A: 數(shù)據(jù)在人工輸入時(shí)是會(huì)出現(xiàn)數(shù)據(jù)錯(cuò)誤，比如年齡，性別等數(shù)據(jù)項(xiàng)。
- **正確**。人工輸入數(shù)據(jù)時(shí)確實(shí)可能會(huì)出現(xiàn)錯(cuò)誤，例如年齡輸入超出合理范圍、性別輸入錯(cuò)誤等。這些錯(cuò)誤需要在數(shù)據(jù)清洗過(guò)程中進(jìn)行檢查和糾正。

B: python數(shù)據(jù)清洗中，對(duì)于二分類(lèi)的分類(lèi)變量0-1數(shù)值化后可以不用再做get_dummies處理，同理多分類(lèi)變量也只需數(shù)值化即可。
- **不正確**。對(duì)于二分類(lèi)變量，確實(shí)可以使用0和1進(jìn)行編碼，不需要額外的處理。但是對(duì)于多分類(lèi)變量，直接數(shù)值化（如將類(lèi)別1編碼為1，類(lèi)別2編碼為2，類(lèi)別3編碼為3等）是不合適的，因?yàn)檫@樣會(huì)引入虛假的順序關(guān)系。正確的做法是使用`get_dummies`或其他方法進(jìn)行獨(dú)熱編碼（one-hot encoding）。

C: 數(shù)據(jù)誤差不會(huì)影響模型建立的準(zhǔn)確性，因?yàn)轭A(yù)測(cè)是概率性的。
- **不正確**。數(shù)據(jù)誤差會(huì)影響模型的準(zhǔn)確性。無(wú)論預(yù)測(cè)是否是概率性的，數(shù)據(jù)中的誤差和噪聲都會(huì)影響模型的訓(xùn)練效果，導(dǎo)致模型的預(yù)測(cè)能力下降。因此，數(shù)據(jù)清洗是非常重要的步驟。

D: 線性回歸建模，一般不用關(guān)注異常值。
- **不正確**。線性回歸對(duì)異常值非常敏感，異常值會(huì)對(duì)模型的擬合產(chǎn)生很大影響。異常值可能會(huì)導(dǎo)致模型的系數(shù)估計(jì)偏離，影響模型的預(yù)測(cè)性能。因此，在線性回歸建模過(guò)程中，識(shí)別和處理異常值是必要的。

綜合分析，正確的答案是：

A: 數(shù)據(jù)在人工輸入時(shí)是會(huì)出現(xiàn)數(shù)據(jù)錯(cuò)誤，比如年齡，性別等數(shù)據(jù)項(xiàng)。