现在网上关于数据挖掘、机器学习中数据预处理阶段关于属性(特征)的各种连续,离散的变换,由于用词不清,真让人晕头转向。那么数据挖掘、机器学习中用于描述属性(特征)的”连续“,”离散“,”连续化“,”离散化“的这几个词到底是什么含义呢?
首先,韩家炜老师在他的书的第二章就对属性的几种类型进行了介绍:
1.标称属性:
即与名称有关,标称属性的值是一些符号或事物的名称。每个取值代表某种类别、或状态。
举个例子:对于人的头发颜色这个属性可能的取值有,黑、白、棕、黄、宏、褐、灰。职业属性可能的取值有老师、程序员、医生等。
需要注意的是:我们可以用指定的数来代表标称属性的取值,比如对于头发颜色,我们规定0代表黑,1代表白,往后推。
另外,标称属性是定性描述数据,进行数学运算毫无意义,所以尽管可以用数代表标称属性的取值,但这些数不是真正意义上的数值,只是一种表示而已。
2.二元属性:
属于标称属性,属性只有两种取值,同样可以用1代表一种类别(状态),0代表剩下的另一种类别(状态)。如性别这个属性,只能取男或女,0代表男,1代表女
3.序数属性
取值用于描述属性的等级,序列,先后次序等
比如学习能力的取值可为优秀,良好,合格
总结以上三类属性都是定性的描述,尽管也可以用数代表不同的取值,但这只是我们用于编码的一种方式。接下来我们看另外一类属性
4。数值属性
定量的描述,用整数值或实数值来