数据的变换和离散化（利用决策树算法实现简单分类）

【项目目的】
1) 对实验数据集数据进行一定的变换，并离散化数据。
【项目原理】
一． 数据的变换
在数据变换中，数据被变换或统一成适合于挖掘的形式。数据变换策略主要有光滑、属性构造、聚集、规范化、离散化和由标称数据产生概念分层。
例如：通过规范化变换数据

二． 数据的离散化
离散化技术可以根据如何进行离散化加以分类。离散化可以分为监督和非监督的离散化，自顶向下离散化（分裂）。数据离散化也是数据归约形式。离散化的方式主要是分箱，直方图分析以及聚类分析，决策树分析，相关分析。
本实验具体使用决策树算法分析鸢尾花瓣的种类
决策树算法：决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集（称为测试数据集）中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。
三． 使用开源软件KNIME进行挖掘
Knime是基于Eclipse的开源数据挖掘软件，它通过工作流的方式来完成数据仓库以及数据挖掘中数据的抽取-转换-加载操作。其中工作流又是由各个功能便利的结点来完成，节点之间相互独立