发帖
雷达卡
对数值属性作离散化，有下列数个优点：
1、可使数据精简，降低数据的复杂度，让数据更容易被解释；
2、可支持许多无法处理数值型属性的分类算法。例如，贝氏分类（Bayesian Classification）算法、以关联规则（Association Rules）为基础的分类算法等；
3、可提高分类器的稳定性，进而提升分类模型的准确度；
4、可找出条件属性在目标属性上的趋势（Trend），有助于未来的解读。
数据离散化的方法有如下几种：
1、人工分离法。依据对数据的认知、专家的建议、普遍存在的现象，将数据数值分离出数个区间，如年龄可以分离出下列三个区间，（0, 30]、（30,60]、（60,120]，并分别对应到“青年”、“中年”和“老年”等三个数据数值。但是有时分类比较困难，专家也无法给出合理的检验，这时需要使用自动化的方法。
2、自动化分离—装箱法（Binning Method）。装箱法主要利用数据集合中数据数值的分布情形来进行区间分离，而每一个区间称为箱子（Bin）。装箱法主要分为两种，相等宽度（Equal-Width-Interval）装箱法和相等深度（Equal-Frequency-Interval）装箱法。相等宽度（Equal-Width-Interval）装箱法是在使用者所给定之箱子个数n下，依据排序过后数据数值之最大值与最小值切割成n个等宽箱子。如一组年龄数据28、29、30、31、32、35、36要进行相等宽带装箱，在使用者所给定之箱子个数为3下，每一个箱子的宽度为（36-28）/3 = 2.67，经四舍五入后为3。所以：
– 箱子一：28, 29, 30
– 箱子二：31, 32, 33，因为数据中没有33，所以箱子二为31, 32。
– 箱子三：34, 35, 36，因为数据中没有34，所以箱子二为35, 36。
相等宽度装箱法有一些问题，首先，通过等宽分箱可能会有的箱子存在空值，比如上例中如果没有31,32，则箱子二为空箱；其次，该方法受极值影响很大，因为箱子的宽度是根据数据的最大值和最小值来确定的。
因为等宽装箱法有一些缺点，所以有人又提出来了相等深度（Equal-Frequency-Interval）装箱法，即在使用者所给定之箱子个数n下，依据数据数值的数量切割成n个数量相等箱子。例如，会员数据表中总共有7笔数据记录（28、29、30、31、32、35、36），在用户所给定之箱子个数为3下，每一个箱子可装载之数据笔数为为7/3 = 2.33，经四舍五入后为2。所以，数据按照2,2,3分入到各个箱子中：
– 箱子一：28, 29
– 箱子二：30, 31
– 箱子三：32, 35, 36
然而，将数值属性离散化除了让数据精简、稳定模型外，如何让分析人员易于理解与解释也是非常重要的。一个易于理解与解释的离散化结果是，条件属性在目标属性上能够看出明显的趋势性（Trend）。
京公网安备 11010802022788号
