[发明专利]基于信息熵的连续属性数据无监督离散化方法

权利要求书

1.一种基于信息熵的连续属性数据无监督离散化方法，其特征在于包括以下步骤：

步骤1、属性取值分析：遍历数据集中任一连续属性n_j的所有取值记录，统计该属性的离散粒度|n_j|并计算各不同取值的概率，记录连续属性n_j所有取值中的最大值n_j^max和最小值n_j^min；

步骤2、计算属性的混乱程度：根据信息熵的计算公式得出数据集中任一连续属性n_j取值混乱程度的计算公式，即

其中，T_j表示第j个连续属性的混乱程度，|n_j|表示第j个连续属性的离散粒度，q_ji表示该属性第i个取值的概率；根据公式(1)计算该属性的取值混乱程度；

步骤3、计算断点数：对取值混乱程度向下取整得到断点数，即

其中，NumP_j表示第j个属性的断点数；

步骤4、确定断点位置：采用等宽区间的方法计算划分的每个区间的宽度，即

其中，w_j表示每个区间的宽度，表示第j个属性的取值范围，即划分的区间数为NumP_j+1；根据公式(4)确定每个断点的位置，

其中，DoC_j为该属性断点的集合，代表每个断点，th表示第几个断点，n_j^min+(th*w_j)表示第th个断点的位置，N^*表示正整数；根据断点位置划分每个区间的范围，各区间范围如下：[n_j^min，n_j^min+w_j)，[n_j^min+w_j，n_j^min+2w_j)，…[n_j^min+(NumP_j*w_j)，n_j^max]；

步骤5、对连续属性n_j进行离散化：遍历该连续属性n_j的所有取值记录，根据每个取值所在的区间，将其替换为所在区间赋予的离散值。

2.根据权利要求1所述的基于信息熵的连续属性数据无监督离散化方法，其特征在于：步骤1所述离散粒度|n_j|为不同取值的个数。

3.根据权利要求1所述的基于信息熵的连续属性数据无监督离散化方法，其特征在于：步骤1中，各不同取值的概率q_ji的计算公式为q_ji＝n_ji/n_j总，其中，i＝1，2，…，|n_j|，n_ji为每个不同取值的出现次数，n_j总为所有取值总数，n_ji和n_j总在遍历数据时统计。

4.根据权利要求1所述的基于信息熵的连续属性数据无监督离散化方法，其特征在于：步骤5中每个区间赋予唯一离散值，各区间的离散值不相同。