Many real-world data mining tasks i

Many real-world data mining tasks involve continuous
attributes. Data discretization is defined as a process of
converting continuous data attribute values into a finite set of
intervals and associating with each interval some specific data value. There are no restrictions on discrete values associated
with a given data interval except that these values must induce
some ordering on the discretized attribute domain. Data
discretization significantly improves the quality of discovered
knowledge and also reduces the running time of various data
mining tasks such as association rule discovery, classification,
and prediction [6]. Good discretization can lead to new and more
accurate knowledge. On the other hand, bad discretization leads
to unnecessary loss of information or in some cases to false
information with disastrous consequences. There are a wide
variety of discretization methods starting with the naive methods
often referred to as unsupervised methods such as equal-width,
equal-frequency and supervised methods such as Minimum
Description Length(MDL) and Pearson’s X2 or Wilks’ G2
statistics based discretization algorithms[6, 7].

ผลลัพธ์ (ไทย) 1:

งานทำเหมืองจริงข้อมูลต่าง ๆ เกี่ยวข้องอย่างต่อเนื่องแอตทริบิวต์ Discretization ข้อมูลถูกกำหนดเป็นกระบวนการแปลงค่าแอตทริบิวต์ข้อมูลอย่างต่อเนื่องเป็นชุดมีจำกัดช่วงและเชื่อมโยงกับแต่ละช่วงค่าข้อมูลเฉพาะบางอย่าง ไม่มีข้อจำกัดค่าต่อเนื่องที่เกี่ยวข้องช่วงเวลาเป็นข้อมูลที่ยกเว้น ค่าเหล่านี้ต้องก่อให้เกิดบางอย่างสั่งบนโดเมนแอตทริบิวต์ discretized ข้อมูลdiscretization ช่วยปรับปรุงคุณภาพของการค้นพบความรู้ และยัง ช่วยลดเวลาทำงานของข้อมูลต่าง ๆงานทำเหมืองเช่นการค้นพบกฎของสมาคม จำแนกและการคาดเดา [6] Discretization ดีสามารถนำไปใหม่และอื่น ๆความรู้ที่ถูกต้อง บนมืออื่น ๆ discretization ดีนำการสูญเสียที่ไม่จำเป็น ของข้อมูล หรือ ในบางกรณีเป็นเท็จข้อมูลผลกระทบอย่างรุนแรง มีทั้งแบบหลากหลายวิธีการ discretization เริ่มต้น ด้วยวิธีการไร้เดียงสามักเรียกว่าวิธีขั่วเช่นเท่ากับความกว้างวิธีการความ ถี่ที่เท่ากับ และดูแลเช่นขั้นต่ำคำอธิบายของเพียร์สันและ Length(MDL) X2 หรือ G2 Wilks'สถิติใช้อัลกอริทึม discretization [6, 7]

ผลลัพธ์ (ไทย) 2:

หลายคนในโลกความจริงงานที่เกี่ยวข้องกับการทำเหมืองข้อมูลอย่างต่อเนื่อง
แอตทริบิวต์ เนื่องข้อมูลหมายถึงกระบวนการของ
การแปลงข้อมูลอย่างต่อเนื่องค่าแอตทริบิวต์เป็นขอบเขตของ
ช่วงเวลาและเชื่อมโยงกับแต่ละช่วงบางค่าข้อมูลที่เฉพาะเจาะจง ไม่มีข้อ จำกัด ค่าต่อเนื่องที่เกี่ยวข้องเป็น
กับช่วงข้อมูลที่ได้รับยกเว้นค่าเหล่านี้จะต้องทำให้เกิด
การสั่งซื้อบางอย่างเกี่ยวกับโดเมนแอตทริบิวต์ discretized ข้อมูลที่
ไม่ต่อเนื่องอย่างมีนัยสำคัญช่วยเพิ่มคุณภาพของการค้นพบ
ความรู้และยังช่วยลดเวลาทำงานของข้อมูลต่างๆ
งานเหมืองแร่เช่นการค้นพบกฎแห่งความสัมพันธ์การจำแนก
และการทำนาย [6] ไม่ต่อเนื่องที่ดีสามารถนำไปสู่การใหม่และเพิ่มเติม
ความรู้ที่ถูกต้อง บนมืออื่น ๆ ที่ไม่ดีต่อเนื่องนำไปสู่
​​การสูญเสียที่ไม่จำเป็นของข้อมูลหรือในบางกรณีเป็นเท็จ
ข้อมูลที่มีผลกระทบร้ายแรง มีความกว้าง
หลากหลายของวิธีการไม่ต่อเนื่องเริ่มต้นด้วยวิธีการไร้เดียงสา
มักจะเรียกว่าวิธีการเป็นใกล้ชิดเช่นเท่ากับความกว้าง
เท่ากับความถี่และวิธีการภายใต้การดูแลเช่นขั้นต่ำ
รายละเอียดความยาว (MDL) และ X2 เพียร์สันหรือ Wilks 'G2
สถิติตามขั้นตอนวิธีการไม่ต่อเนื่อง [6, 7]