数据预处理任务及方法.docVIP

null 非监督式的离散化（Unsupervised Discretization） 分类中离散化方法的一个很大的区别是是否使用类别信息。 使用了类别信息的成为监督 式的离散化（supervised） ，没有使用类别信息的成为非监督式的方法（Unsupervised） 。 等宽方法（equal width）将范围内的属性划分成一个用户指定的区间数量，每个区间都有 相同的宽度（width） 。这样的方法受离群值影响很大。因此，等频方法（等深方法） （equal frequency，equal depth） ，是将相同数量的对象分到每个区间中，这也很常用。 监督式的离散化（Supervised Discretization） 使用额外的信息（类标签）通常会产生更好的结果。无类标签知识构造的区间通常会包 含混合的类标签。从概念上讲，分割的简单的方法是最大化区间纯度（purity） 。实际中， 这样的方法需要人工选择区间的纯度和最小的区间大小。 为了克服这样的困难， 一些统计的 方法被用来解决这些问题。先将每个类的值都作为单独的区间，再根据统计测试，合并临近 的相似区间（adjacent intervals）获取更大的区间。基于熵（entropy）的方法是很好的。 有太多值得类别属性（Categorical Attributes with Too Many Values） 类别属性有时