在数据诊断清洗过程中，确保数据的准确性和完整性是建立有效预测模型的基础。以下是对各个选项的分析：

A: 数据在人工输入时是会出现数据错误，比如年龄，性别等数据项
正确。人工输入数据时，确实可能会出现错误。这些错误可能包括输入错误、缺失值、格式不一致等。因此，数据清洗过程需要识别并纠正这些错误，以提高数据质量。

B: python数据清洗中，对于二分类的分类变量0-1数值化后可以不用再做get_dummies处理，同理多分类变量也只需数值化即可
不完全正确。对于二分类变量，将其数值化为0和1后，确实可以直接用于模型中，不需要额外的处理。但是，对于多分类变量，仅将其数值化是不够的。多分类变量需要进行独热编码（one-hot encoding），即使用`get_dummies`函数将其转换为多个二进制变量，以确保模型能够正确理解这些分类变量。

C: 数据误差不会影响模型建立的准确性，因为预测是概率性的
错误。数据误差会影响模型的准确性。数据中的噪声和误差会导致模型的训练过程受到干扰，从而影响模型的预测性能。数据清洗的一个重要目标就是尽量减少数据误差，以提高模型的准确性。

D: 线性回归建模，一般不用关注异常值
错误。线性回归对异常值非常敏感。异常值可能会对模型的参数估计产生显著影响，从而导致模型的预测性能下降。因此，在进行线性回归建模时，必须识别和处理异常值，以确保模型的稳健性。

综上所述，正确的选项是：A。