区间数据离散化方法

分析了现有的精确数输入和区间数输出回归算法存在的问题，并提出了基于支持向量机的区间数回归建模方法。该方法将支持向量机从精确数回归推广到区间数回归建模，展示出在小样本训练集下良好的泛化性能，有效避免了现有算法中可能出现的下界大于上界的问题。以连续退火生产过程中冷却段出口带钢温度预测为例，仿真结果表明该算法的有效性。

两不等式相加得到 n ，也就是非零区间。 例如： 1 0 1 2 n 3

在 WEKA 中，我们可以通过离散化操作将属性 petallength 转换为离散值。以下是实现此操作的步骤： 打开 WEKA 并加载数据集。 选择 Preprocess 选项卡。 在属性列表中选择 petallength。 点击 Choose 按钮，选择 Discretize 过滤器。 配置过滤器的参数，然后点击 Apply。 通过查看数据集来确认 petallength 已成功离散化。 这样，petallength 属性就被成功转化为离散值，可以用于后续的分析与建模。

连续属性的离散化一直是做分类模型时绕不开的点，尤其你用C5.0决策树的时候，区间怎么分，直接影响最终效果。论文研究-一种连续属性值域划分的离散化新方法.pdf里讲的这个方法，还挺实用的。 新的离散化函数挺有意思，关键不是简单分区间，而是看属性和类别之间的依赖关系，再来决定怎么划分。这就比那种“按等宽、等频来切”的方式聪明多了，分得更贴合数据本身。 再一个亮点是用到了变精度粗糙集，主要是为了控制信息丢失。说白了，就是既能压缩数据，又不容易把关键特征给弄没了。对做特征工程的你来说，这点蛮关键的。 要是你正在搭决策树模型，或者搞属性约简那一套，这篇论文值得一看。顺手也整理了些相关资源，比如MATLA

区间值聚类的数据挖掘方法，思路挺巧的，操作也不复杂。核心点就是先把数据按属性划成多个区间，每个区间用编号标记，再用常见的聚类算法搞。你要是做大数据、是分类或规则挖掘那块，这一套流程还挺实用的。嗯，它不仅跑得快，对真实场景下的数据也适配得不错。像是医疗、金融、市场这类业务用起来都蛮顺。关键是它灵活，区间怎么划你说了算，数据大也扛得住。

用WEKA处理数据：Children数据离散化 本部分内容讲解如何使用WEKA对children数据进行离散化处理。

分箱：递归分割结果，生成概念分层。 直方图分析：递归应用，自动产生多级概念分层。 聚类分析：形成簇和子簇，建立概念层节点。 基于熵的离散化：通过自然划分分段。 人工概念分层：基于数值分布分析，可递归构造分箱。

这份资源提供了时间数据可视化的基础命令和相关图片，供大家学习参考。

离散化的好处就是能把一大堆稠密的数值，变成几个好上手的区间。比如年龄这个属性，你可以把它分成“青年”“中年”“老年”几段，操作起来就方便多了。决策树那一套分类算法里，离散化可以说是个效率神器。是在训练数据量比较大的时候，速度快多了。