给定2000个训练样本如何判定数据的属性是离散的还是连续的？如果是连续的如何判定两个数据是同一个类别？
发布网友
发布时间：2022-05-24 16:01
共1个回答
热心网友
时间：2023-10-19 21:29
连续数值离散化大致可分为：1）有监督（supervised）和2）无监督（unsupervised）两类。
- 有监督方法可通过设定类别相关目标函数如：分类错误率，熵增益等指标结合二叉树算法对特征空间进行划分。这类方法的核心思想就是是每类样本尽量分布在特征空间中的不同子划分中。
无监督方法由于没有考虑类别信息，因此其核心思想是使得每个子划分空间的样本分布尽量均匀，具体可以采用等间隔、等密度或者k-means算法进行划分。
一篇经典文献可供参考：J. Dougherty, et al., Supervised and Unsupervised Discretization of Continuous Features, ICML, 1995.
我尝试过上面的一些算法，总的感觉是，如果特征离散化之后的处理和类别相关，比如需要对数据分类、或者预测（如ID3）。那么有监督的方法效果更好。
