基于类-属性关联度的启发式离散化技术

来源期刊：控制与决策2011年第10期

论文作者：周世昊 倪衍森

文章页码：1504 - 1510

关键词：离散化;数据挖掘;自顶向下;变精度粗糙集;不一致;

摘    要：连续属性离散化在数据挖掘、机器学习和人工智能等领域起着重要的作用.鉴于此,提出一种基于类-属性关联度的启发式离散化技术.该技术定义了一个新的离散化标准,根据数据本身的特性选择最佳断点,克服了目前最先进自顶向下离散化方法存在的缺陷.基于粗糙集理论中变精度粗糙集模型,提出一种新的不一致衡量标准,能够有效地控制离散化所产生的信息丢失,允许数据存在适当的分类错误度.实验结果和统计性分析表明,所提出的技术显著地提高了J4.8决策树和SVM分类器的学习精度.