周爱国， 于江洋， 施金磊， 王嘉立， 魏榕慧

(同济大学 机械与能源工程学院，上海 201804)

新能源智能车监控数据中部分连续属性的取值精度过高，导致后续挖掘算法会占用过多的空间和时间，且训练出的模型容易出现过拟合的情况。数据离散化的目的是将连续的属性取值转换为离散的区间值[1]，以降低属性的取值精度，断点集合则是算法划分离散区间的依据。对于新能源智能车来说，理想的离散化算法应在保证故障分类效果的前提下，获得尽可能小的断点集合。

离散化算法可分为无监督离散化和有监督离散化。其中，无监督离散化不考虑类信息，因此这类算法效率高，但是离散化后数据的分类精度较差；而有监督离散化则使用故障类别信息作为启发条件，例如信息熵、方差等，从而有偏向性地设置断点，可以获得较好的离散化效果[2]。目前，常用的有监督离散化算法可分为：基于统计的离散化算法、基于类和属性相关度的离散化算法以及基于信息熵的离散化算法等[3]。其中，基于统计的离散化算法[4-6]虽然具有较强的数据理论基础，但计算过于复杂，故不宜采用；基于类和属性相关性的离散化[7]则需要保证离散区间不小于类别数，且容易丢失信息；而谢宏等[8]提出的基于粗糙集和信息熵的离散化算法，将信息熵和粗糙集理论结合起来，使用决策表的信息熵来描述断点的重要性，算法在连续属性取值较多时也具有较高的计算效率，适用于数据量较大的场景，是一种经典的数据离散化算法。……