基于贪心思想的数值属性离散化算法的改进 (2009年)

数值属性离散化是数据挖掘和机器学习领域中的一项重要技术，它涉及将数值型属性转化为离散型的过程，目的是减少算法的时间和空间开销、提高学习精度、增强聚类能力和抗数据噪音的能力。由于很多机器学习算法仅适用于处理离散型信息系统，数值属性离散化成为预处理步骤中的一个关键环节。 在离散化算法的研究与应用中，按照算法的监督性质可分为有监督和无监督离散化；按照处理的范围可分为局部和全局离散化；按照处理方式的静态或动态可分为静态和动态离散化。这些不同的离散化算法各有其优势和不足，但共同目标是提高算法的简洁性、一致性和准确性。 在文中提到的改进算法，主要是针对基于贪心思想的数值属性离散化算法存在的问题进行的。贪心算法通常采用逐个处理属性的方式，这种方法在实际应用中往往会导致候选断点的个数过多，从而在选择断点过程中存在不确定性，增加了未知区域的数量。为了解决这些问题，文中提出了一种新的改进算法。 改进的贪心算法有效地弥补了现有算法中的"列先行后法"不足，能够减少候选断点的数量，降低选择断点过程中的不确定性，并且减少未知区域的个数。算法示例的验证结果表明，这种改进是有效和可行的。通过将数值属性的连续值域分割成若干个离散区间，改进算法优化了离散化过程，提升了算法性能。 离散化问题的描述可以从决策表的角度来考虑，决策表通常包含非空有限集（论域）、条件属性集、决策属性集以及信息函数。数值属性的值域上定义断点，断点可以记为有序对，进而形成离散化区间。所有条件属性的划分定义了一个新的决策表，每个对象在属性a上的取值被分成k+1个等价类。 文章的工作在数值属性离散化算法的研究方面，提供了一种改进的思路和方法，具有理论和实际应用的价值。通过相关基金项目的支持，研究者得以进行深入研究，并在国内外学术刊物上发表研究成果，推进了学科的发展。作者简介显示了作者在数据挖掘技术及其应用方面的研究方向，这也是该文研究领域的具体应用背景。 此外，文中还提到了贪心算法在离散化中的应用，贪心算法是一种在每一步选择中都采取在当前状态下最好或最优（即最有利）的选择，从而希望导致结果是全局最好或最优的算法。贪心算法在数值属性离散化中的应用，包括如何选择最佳的断点，以及如何在不断优化中逼近全局最优解。 该论文对贪心思想下的数值属性离散化算法进行了深入研究，结合了数据挖掘和机器学习的实际需求，提出了一种创新的改进方法，并通过实验验证了改进算法的有效性。这一研究不仅丰富了数值属性离散化的理论体系，也为实际问题的解决提供了新的技术手段。