一种新的无监督连续属性离散化方法-计算机工程与应用.PDFVIP

208 2011 ，47 （6） Computer Engineering and Applications 计算机工程与应用 一种新的无监督连续属性离散化方法 花海洋，赵怀慈 HUA Haiyang ，ZHAO Huaici 中国科学院 沈阳自动化研究所，沈阳 110016 Shenyang Institute of Automation ，Chinese Academy of Sciences ，Shenyang 110016，China HUA Haiyang ，ZHAO Huaici.New discretization method for numerical attributes based on clustering and merging.Com- puter Engineering and Applications ，2011 ，47 （6）：208-211. Abstract ：This paper proposes such an algorithm ，called CAMNA （Clustering and Merging on Numerical Attributes ），which is a new algorithm of unsupervised discretization based on clustering.The method divides a set of the numerical attribute val- ues into many intervals based on clustering in the first step.Then in the second step ，the cluster quality is optimized by com- puting the class label of the adjacent intervals.This procedure can not stop until a satisfactory discretization schema is reached.Experimental evaluation of several discretization algorithms show that the proposed algorithm is more efficient and can generate a better discretization schema.Comparing the output of C4.5 ，resulting tree is smaller ，less classification rules ， and high accuracy of classification. Key words ：decision tree ；numerical attributes ；clustering intervals ；classification 摘 要：提出了一种基于聚类方法的无监督连续属性离散化算法，称为CAMNA （Clustering and Merging on Numerical Attri- bute ）算法。CAMNA 算法通过聚类过程将数值值域划分为多个离散区间，根据类分布的指导信息优化合并相邻区间，实现理想 的离散方案。通过实验证明该算法在保持执行效率较高的前提下，离散结果更加合理，生成的决策树结构简单，获得较少的分类 规则，分类准确率也有提高。 关键词：决策树；数值型属性；聚类区间；分类 DOI ：10.3778/j.issn. 1002-8331.2011.06.057 文章编号：1002-8331（2011 ）06-0208-04 文献标识码：A 中图分类号：TP 18 1 引言 布信息的不断监督执行，过程复杂，导致算法执行效率低下。 决策树算法是机器学习中最重要的分类方法，它通过将 本文针对这些离散算法的问题，提出了一种基于聚类过 大量数据有目的分类，从中找到一些有价值的信息，其主要优 程的无监督连续属性离散化算法，该方法通过聚类过程将数 点是描述简单，分类速度快。 值值域划分为多个离散区间，而后根据类分布的指导信息优 在构造决策树时，数据集经常是由数