桑 雨， 李 克 秋＊， 闫 德 勤

(1.大连理工大学 计算机科学与技术学院，辽宁 大连 116024；2.辽宁师范大学 计算机与信息技术学院，辽宁 大连 116029)

0 引 言

随着数据库中信息量的增加以及信息管理水平的不断提高，涌现了各种类型的数据来描述客观世界.在应用机器学习从数据中提取知识时，涉及的数据通常包括离散值(如男、女)和连续值(如身高、温度等).然而，大多数的数据挖掘、归纳学习等算法仅仅适用于使用离散化方法描述的样本，如 C4.5[1]和 AQ 算法[2]等.因此，连续属性必须进行离散化，其实质是分割连续属性的值域，转化成若干个有意义的区间，简化数据，提高分类器的学习精度.

离散化算法的类型有[3]考虑类信息的有监督类型和不考虑类信息的无监督类型；考虑整体样本的全局型和考虑部分样本的局部型；相邻区间合并的自底向上型(bottom－up)和区间分割的自顶向下型(top－down).EQW 和 EQF[3]是实现简单且计算消耗低的自顶向下无监督离散化算法.著名的自顶向下有监督离散化算法包括基于信息熵理论的算法，如Ent－MDLP[4]；基于类属性相互依赖的算法，如 CACC[5].Ent－MDLP通过定义信息熵标准来最小化模型总的信息量，同时利用MDLP来决定合适的离散区间数.CACC是目前最新的基于类－属性相互依赖的离散化算法，它提出了一个启发式断点选择标准，考虑了所有样本的分布信息，并且避免了过拟合现象，产生了理想的离散化方案.著名的自底向上有监督离散化算法包括基于统计学理论的Chi2－based相关算法……