连续离散化方法.pdf

连续特征离散化方法综述 汪庆，张巍，刘鹏 上海财经大学信息管理与工程学院，上海，200439 wq_811@ 摘要：离散特征在数据挖掘的过程中具有重要 间的实际需求。（2）离散特征相对于连续特征 的作用，如何将实际数据集中的连续特征最好 来说更接近于知识层面的表示。（3）通过离散 地离散化是一个 NP-hard 问题。本文介绍了离 化，数据被规约和简化，对于使用者和专家来 散化方法的不同角度的分类、离散化过程中用 说，离散化的数据都更易于理解，使用和解释。 到的术语及一般离散化的过程。同时，还按照 （4）离散化处理使得算法的学习更为准确和迅 离散化方法有监督和无监督的分类方法体系， 速[5]。（5）一系列算法只能应用于离散型数据， 介绍了几种有代表性的离散化方法。提出需根 使得离散化处理成为必要，而离散化又使很多 据学习环境选择合适的离散化方法，将关联分 算法的应用范围扩展了[4，6，7]。但最优离散化 析中连续特征离散化作为以后的研究方向。 问题已经被证明是一个NP-hard问题。 关键词：连续特征，离散特征，离散化 离散化的方法有很多，本文接下来第 2 节 介绍了离散化方法的分类体系、术语及离散化 1 引言 过程，第 3 节选取了目前比较有代表性的几种 离散化方法进行了详细介绍以及一些改进的离 数据集的特征按照其取值可以分为连续特 散化方法，第 4 节提出了要根据学习环境和用 征和离散特征。连续特征也称为定量特征，通 户需要选择合适的离散化方法，并以关联分析 常用间隔尺度和比例尺度来衡量，有较多甚至 中的离散化为例，指出在关联分析中离散化方 无穷的数值表达, 其值取自某个连续的区间, 法选择需要注意的问题，最后是全文的结束语， 表示了对象的某种可测性质,例如人的身高、年 并将关联分析中的连续特征离散化作为以后的 龄, 商品的价格、空气温度、物体长度等等。 研究方向。 离散特征也称定性特征，一般以名义尺度或有 序尺度定义，是指以文本型数据表达的对象特 2 现状及离散化过程 征, 如人的性别、学历特征, 商品的用途( 食 品、服装) 等, 此类特征的值域只限定于较少的 2.1 分类 [1-2] 取值 。连续特征的取值允许被排序，可进行 离散化方法依据不同的需求沿着不同的主 算术运算；离散特征的取值有时允许被排序， 线发展至今，目前已存在很多不同离散化方法 但是其不能进行算术运算[3]。