《数据挖掘导论》学习笔记-离散化

什么是离散化：

连续属性的离散化就是将连续属性的值域上，将值域划分为若干个离散的区间，最后用不同的符号或整数
值代表落在每个子区间中的属性值。

为什么要离散化

连续属性离散化的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。常见的正态假设是连续变量，离散化减少了对于分布假设的依赖性，因此离散数据有时更有效。

离散化的技术

根据数据是否包含类别信息可以把它们分成有监督的数据和无监督的数据。有监督的离散化要考虑类别信息而无监督的离散化则不需要。

1、非监督离散化

无监督离散化方法在离散过程中不考虑类别属性，其输入数据集仅含有待离散化属性的值。等频率、等宽、等深、K均值都是主要是无监督的离散化方法、其中等频率、等深\K均值更为科学。

等宽离散化

如图是一个原始的数据分布图：