连续属性离散化相关研究及应用的任务书.docxVIP

连续属性离散化相关研究及应用的任务书

任务背景：

在实际工作中，连续属性的数据是非常常见的，比如说人的身高、体重、收入等就是连续型的数据。而我们在进行数据分析或者机器学习模型建立时，需要将连续型的数据进行离散化，把数据转化为适合模型使用的离散标签。离散化的好处在于可以降低模型的计算复杂度，并且对于某些模型来说，离散化后的数据表现更加优秀。

任务描述：

这个任务的主要目的是了解连续属性离散化的相关研究和应用，包括如下几个方面：

1.连续属性离散化的方法有哪些，每种方法的优劣势是什么？

2.在什么情况下需要对连续属性进行离散化？离散化带来了哪些好处？

3.在处理连续型的数据时，如何选取最优的分割点，有哪些算法可以实现这一目标？

4.连续型数据离散化后，适用哪些算法进行建模？

5.已有数据集，如何实现连续属性离散化？

6.连续属性离散化在实际项目中的具体应用案例。

预期成果：

1.编写一份综述报告，介绍连续属性离散化的相关研究和应用，包括方法、优劣势、分割点选取、适用算法、实现方法等等。

2.将综述报告的内容总结成PPT，进行汇报和分享。

3.根据所学知识，针对某个特定数据集进行实际的离散化操作，并将结果进行呈现和解释。

4.在项目实践阶段，编写一篇应用实例报告，对某个具体应用场景下的连续属性离散化方法、技巧和效果进行描述和分析。同时，对实际操作中的问题和解决方案进行总结。

参考文献：

1.Dong,J.,Yu,X.(2012).Asurveyondiscreteizationofcontinuousattributes.ProcediaEngineering,29,1262-1270.

2.He,Z.,Xu,X.,Deng,S.(2012).Acomparativestudyondiscretizationmethodsfornaivebayesgeneexpressionclassifiers.InternationalJournalofComputationalintelligencesystems,5(6),1065-1081.

3.Gu,J.,Ni,Z.,Huang,H.,Zhang,Y.(2019,December).Designofanautomaticverificationmethodfordeeplearningmodelbasedondataqualitydetection.In201911thInternationalConferenceonMeasuringTechnologyandMechatronicsAutomation(ICMTMA)(pp.322-327).IEEE.