Preprocessing, also die Vorverarbeitung von Rohdaten, ist ein zentraler Bestandteil von ML. Daten müssen so aufbereitet werden, dass Modelle effizient und präzise trainiert werden können. Variablen müssen häufig zusammengefasst, umkodiert oder transformiert werden, um für ML-Algorithmen nützlich zu sein. Beispielsweise erfordert die Analyse von Logdaten eine Umrechnung in nutzbare Features wie etwa die Berechnung der Zeitdauer zwischen Ereignissen. Auch psychometrische Daten wie Skalen aus Fragebögen müssen aufbereitet werden, um interpretierbare Skalenwerte oder latente Faktoren zu erhalten. Ein wichtiger Schritt im Preprocessing ist das Feature Engineering, das die Erstellung und Transformation von Variablen durch mathematische Funktionen umfasst. Methoden zur Reduktion von Features wie die Hauptkomponentenanalyse oder die konfirmatorische Faktorenanalyse helfen, überflüssige Informationen zu entfernen und die Modellleistung zu verbessern. Preprocessing wird häufig in Analysepipelines integriert, um verschiedene Schritte zu automatisieren und datengesteuert zu optimieren.