连续属性的离散化

参考了wiki百科（其中列出几篇paper,并提到基于信息熵计算的方法比较主流），U.M. Fayyad&IRANI的93年paper（版本印刷质量太差，没有看完），一篇standford的若干人等的paper，及国内的一篇各种离散化方法比较的paper.

其实我只是想了解U.M. Fayyad&IRANI的方法，但找到的版本质量太差，错别字一堆，公式也很不清楚，没有看完。。追求实用的话standford篇倒是值得一看，对这两位阁下的方法精简讲了一番（但是电子版的质量真的也不怎么好。。凑合着能用吧）。

 

问题描述：

对于某个连续属性A，样本集S，如何将之离散化？（有指导的情况）

问题解决：

可以简化为两大步：

一，二分递归地寻找断点。

     候选断点： 找不同类的相邻点，取它们之间的某点（如中点）。

     每次在区间内寻找断点时，有若干候选断点（例如所有样本的该属性值）。每个候选断点T都能将S划分为两个子集，分别计算这个子集的信息熵，然后加权求和，得到关于T的分类信息熵Ent(A,T,S)。取使得分类信息熵最小的断点T，作为最终选定断点。

二，确定递归停机条件。