weka 数据定义

 

数据挖掘：概念与技术（原书第3版）

2.1.2　标称属性

标称意味“与名称相关”。标称属性（nominal attribute）的值是一些符号或事物的名称。每个值代表某种类别、编码或状态，因此标称属性又被看做是分类的（categorical）。这些值不必具有有意义的序。在计算机科学中，这些值也被看做是枚举的（enumeration）。

例2.1　标称属性。假设hair_color（头发颜色）和marital_status（婚姻状况）是两个描述人的属性。在我们的应用中，hair_color的可能值为黑色、棕色、淡黄色、红色、赤褐色、灰色和白色。属性marital_status的取值可以是单身、已婚、离异和丧偶。hair_color和marital_status都是标称属性。标称属性的另一个例子是occupation（职业），具有值教师、牙医、程序员、农民等。

尽管我们说标称属性的值是一些符号或“事物的名称”，但是可以用数表示这些符号或名称。例如对于hair_color，我们可以指定代码0表示黑色，1表示棕色，等等。另一个例子是customer_ID（顾客号），它的可能值可以都是数值。然而，在这种情况下，并不打算定量地使用这些数。也就是说，在标称属性之上，数学运算没有意义。与从一个年龄值（这里，年龄是数值属性）减去另一个不同，从一个顾客号减去另一个顾客号毫无意义。尽管一个标称属性可以取整数值，但是也不能把它视为数值属性，因为并不打算定量地使用这些整数。在2.1.5节，我们将更详细地说明数值属性。

因为标称属性值并不具有有意义的序，并且不是定量的，因此，给定一个对象集，找出这种属性的均值（平均值）或中位数（中值）没有意义。然而，一件有意义的事情是使该属性最常出现的值，这个值称为众数（mode），是一种中心趋势度量。我们将在2.2节介绍中心趋势度量。

 

我们已经把属性分为标称、二元、序数和数值类型。可以用许多方法来组织属性类型，这些类型不是互斥的。

机器学习领域开发的分类算法通常把属性分成离散的或连续的。每种类型都可以用不同的方法处理。离散属性具有有限或无限可数个值，可以用或不用整数表示。属性hair_color、smoker、medical_test和drink_size都有有限个值，因此是离散的。注意，离散属性可以具有数值值。如对于二元属性取0和1，对于年龄属性取0到110。如果一个属性可能的值集合是无限的，但是可以建立一个与自然数的一一对应，则这个属性是无限可数的。例如，属性customer_ID是无限可数的。顾客数量是无限增长的，但事实上实际的值集合是可数的（可以建立这些值与整数集合的一一对应）。邮政编码是另一个例子。

如果属性不是离散的，则它是连续的。在文献中，术语“数值属性”与“连续属性”通常可以互换地使用。（这可能令人困惑，因为在经典意义下，连续值是实数，而数值值可以是整数或实数。）在实践中，实数值用有限位数字表示。连续属性一般用浮点变量表示。