连续属性离散化算法性能比较：实证分析与影响因素

本文主要探讨了在信息技术领域中对连续属性离散化的关键方法。研究聚焦于四种不同的离散化算法：贪心算法及其改进版本、基于属性重要性的方法、信息熵驱动的离散化以及聚类为基础的策略。作者刘业政、焦宁和姜元春，作为合肥工业大学管理学院电子商务研究所的研究人员，共同进行了深入的理论分析和实证研究。 贪心算法是一种在每次选择中都采取当前最优解的方法，用于离散化时，它可能会导致局部最优而非全局最优的结果。为了改进这一问题，作者可能探讨了对贪心算法进行优化的策略，例如引入启发式搜索或迭代策略，以提高离散化结果的质量。 基于属性重要性的方法则是依据数据集中各属性对决策任务的影响程度来决定其离散化方式，这种方法强调了特征选择在离散化过程中的作用，有助于减少维度并保留最有价值的信息。 信息熵是衡量不确定度的一个统计量，在离散化中，它可以帮助确定划分点，通过最大化信息增益或最小化信息熵，使得离散后的数据更易于理解和处理。 最后，基于聚类的离散化是通过先将数据集进行聚类，然后在每个簇内独立地进行离散化，这种方法考虑了数据内在结构，有助于保持同类数据之间的相似性。 实验部分，作者对比了这四类算法在不同数据集上的表现，发现离散化效果不仅受算法本身的影响，还受到数据集连续属性分布以及决策数据值类别特性的影响。换句话说，对于不同类型的数据，可能需要针对性地选择最合适的离散化算法以获得最佳的性能提升。 这项研究不仅提供了离散化算法的理论基础，还为实际应用中的数据预处理和特征工程提供了有价值的参考。此外，研究结果提示在实施离散化时，需要综合考虑数据的特性和目标任务的需求，以实现更精确和有效的数据转换。这项工作对于电子商务、数据挖掘以及一般决策支持系统（GDSS）等领域具有重要意义。