数据挖掘之关联分析四（连续属性处理）

处理连续属性

挖掘连续属性可能揭示数据的内在联系，包含连续属性的关联规则通常称作量化关联规则（quantitative association rule）。

主要讨论三种对连续数据进行关联分析的方法
1. 基于离散化的方法
2. 基于统计学的方法
3. 非离散化方法

基于离散化方法

离散化是处理连续属性最常用的方法，这种方法将连续属性的邻近值分组，形成有限个区间，例如，年龄属性可以形成如下区间
年龄 $\in$ [12, 16), 年龄$\in$ [16, 20)……
离散化可以使用任意技术（如等区间宽度、等频率、等熵、或聚类）实现。

属性离散化一个关键参数时用于划分每个属性的区间。通常这个参数由用户提供，单可能会遇到下面问题
1. 如果区间太宽，则肯能因为缺乏置信度而丢失某些模式。

$$R'_1：年龄\in [16, 20)\to网上聊天=是 （s = 4.4\%，c = 84.6\%）$$
尽管具有较高的支持度，但是因为较宽的区间导致规则的置信度都小于阈值。
2. 如果区间太窄，则可能因为缺乏支持度而丢失某些模式。
3. 当区间不合适时，可能导致有些规则被分裂成子规则，如果自规则的置信度和支持度都足够高，就可以通过聚类来恢复原来的规则，但是如果置信度或者支持度较低，则不能恢复原来的规则。

处理这些问题的一个方法是通过考虑邻近区间的每个分组，但是也会导致下面的计算问题
1. 计算开销大
2. 提取许多冗余规则，如

$$R_3：年龄\in [16, 20)\to网上聊天=是$$
$$R_4：年龄\in [16, 24)\to网上聊天=是$$
其中