现实学习任务中,决策树不仅基于离散属性来生成,也会用到连续属性。由于连续属性的可取值数目不再有限,因此,不能直接根据连续属性的可取值来对结点进行划分。此时,连续属性的离散化技术可派上用场。
数据离散化是一个很大的研究主题,学者们提出的离散化技术也很多,可以分为:无监督离散化和有监督离散化。
无监督离散化常用的有等深分箱法和等宽分箱法:等深分箱法让每个分箱中的样本数目保持一致;等宽分箱法让每个分箱中的取值范围保持一致。
等宽分箱法也叫均分法,就是把一个连续取值的区间等分为若干段,每一段赋一个离散值,常用的有ten-binning。
有监督离散化常用的有二分法,即将连续取值的属性按选定的阈值分割成布尔属性(二值属性):
※ 按照某个连续属性A排列训练样本,找出类标记不同的相邻样本
※ 计算类标记不同的相邻样本的属性A的取值的中间值,产生一组候选阈值,可以证明产生最大信息增益的阈值一定在这样的边界中
※ 计算与每个候选阈值关联的信息增益,选择具有最大信息增益的阈值来离散化连续属性A
二分法的扩展是最小描述长度法(MDL),MDL法将连续取值的属性分割成多个区间,而不是单一阈值的两个区间。