Most of the Machine Learning and Da

Most of the Machine Learning and Data Mining applications can be applicable only on discrete features. However, data in real world are often continuous in nature. Even for algorithms that can directly deal with continuous features, learning is often less efficient and effective. Hence discretization addresses this issue by finding the intervals of numbers which are more concise to represent and specify. Discretization of continuous attributes is one of the important data preprocessing steps of knowledge extraction. An effective discretization method not only can reduce the demand of system memory and improve the efficiency of data mining and machine learning algorithm, but also make the knowledge extracted from the discretized dataset more compact, easy to be understand and used. In this paper, different types of traditional Supervised and Unsupervised discretization techniques along with examples, as well as their advantages and drawbacks have been discussed.

ผลลัพธ์ (ไทย) 1:

ส่วนใหญ่ของเครื่องการเรียนรู้และการทำเหมืองข้อมูลการใช้งานสามารถใช้ได้เฉพาะกับคุณสมบัติที่ไม่ต่อเนื่อง แต่ข้อมูลในโลกแห่งความจริงมักจะมีอย่างต่อเนื่องในธรรมชาติ แม้สำหรับขั้นตอนวิธีการที่โดยตรงสามารถจัดการกับคุณสมบัติอย่างต่อเนื่องการเรียนรู้มักจะน้อยมีประสิทธิภาพและประสิทธิผลจึงไม่ต่อเนื่องที่อยู่ในประเด็นนี้โดยการหาช่วงของตัวเลขที่มีความรัดกุมมากขึ้นเพื่อเป็นตัวแทนและระบุ ไม่ต่อเนื่องของคุณลักษณะอย่างต่อเนื่องเป็นหนึ่งในขั้นตอน preprocessing ข้อมูลที่สำคัญของการสกัดความรู้ วิธีการที่ไม่ต่อเนื่องที่มีประสิทธิภาพไม่เพียง แต่สามารถลดความต้องการของหน่วยความจำระบบและปรับปรุงประสิทธิภาพของการทำเหมืองข้อมูลและขั้นตอนวิธีการเรียนรู้เครื่อง,แต่ยังทำให้ความรู้ที่สกัดจากข้อมูลที่ discretized กะทัดรัดมากขึ้น, ง่ายที่จะเข้าใจและใช้ ในบทความนี้ชนิดที่แตกต่างจากแบบดั้งเดิมภายใต้การดูแลและใกล้ชิดเทคนิคเนื่องพร้อมกับตัวอย่างที่เป็นข้อได้เปรียบของพวกเขาและข้อบกพร่องได้รับการกล่าวถึง

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่ของเรียนรู้ของเครื่องและข้อมูลเหมืองแร่สามารถใช้ในลักษณะไม่ต่อเนื่อง อย่างไรก็ตาม ข้อมูลในโลกจริงมักต่อเนื่องในธรรมชาติ สำหรับอัลกอริทึมที่สามารถจัดการโดยตรงกับลักษณะการทำงานอย่างต่อเนื่อง เรียนได้มักจะ ไม่มีประสิทธิภาพ และมีประสิทธิภาพ ดังนั้น discretization อยู่ปัญหานี้ โดยการหาช่วงของเลขที่มีความกระชับมากขึ้นแทน และระบุ Discretization แอตทริบิวต์อย่างต่อเนื่องเป็นข้อมูลสำคัญที่ประมวลผลเบื้องต้นขั้นตอนการสกัดความรู้อย่างใดอย่างหนึ่ง วิธีการ discretization มีประสิทธิภาพไม่เพียงสามารถลดความต้องการของหน่วยความจำระบบ และปรับปรุงประสิทธิภาพของการทำเหมืองข้อมูลและอัลกอริทึม การเรียนรู้ของเครื่อง แต่ยัง ให้ความรู้ถูกแยกจากชุดข้อมูล discretized กระชับ สามารถเข้าใจง่าย และใช้ ในเอกสารนี้ ชนิดต่าง ๆ ของแบบ Supervised และ Unsupervised discretization เทคนิคพร้อมตัว อย่าง ตลอดจนข้อดี และข้อเสียของพวกเขามีการหารือ

ผลลัพธ์ (ไทย) 3:

แอปพลิเคชันการทำเหมืองแร่เครื่องการเรียนรู้และข้อมูลที่สามารถใช้ได้มากที่สุดเท่านั้นที่โดดเด่นไปด้วยแบบแยกต่างหาก แต่ถึงอย่างไรก็ตามข้อมูลในโลกของความเป็นจริงมีอย่างต่อเนื่องในธรรมชาติ แม้สำหรับอัลกอริธึมที่สามารถจัดการกับความโดดเด่นอย่างต่อเนื่องโดยตรงเป็นการเรียนรู้มี ประสิทธิภาพ น้อยกว่าและมี ประสิทธิภาพดังนั้น discretization แอดเดรสปัญหานี้ได้โดยการค้นหาในแต่ละช่วงของหมายเลขที่รัดกุมมากขึ้นมีการแสดงและระบุ discretization ของแอตทริบิวต์อย่างต่อเนื่องเป็นหนึ่งในข้อมูลที่สำคัญ preprocessing ตามขั้นตอนของการแยกข้อมูลความรู้ วิธีการ discretization มี ประสิทธิภาพ ที่ไม่เพียงสามารถลดความต้องการหน่วยความจำของระบบและปรับปรุง ประสิทธิภาพ ของอัลกอริธึมการเรียนรู้ของคอมพิวเตอร์และข้อมูลการทำเหมืองแร่แต่ยังช่วยให้ความรู้ที่ถูกดึงมาจาก dataset discretized ที่กะทัดรัดมากขึ้นได้อย่างง่ายดายเพื่อไปยังได้ทำความเข้าใจและนำไปใช้ ในเอกสารนี้ ประเภท ที่แตกต่างกันของเทคนิค discretization โดยไม่ต้องมีการตรวจสอบและมีการตรวจสอบแบบดั้งเดิมพร้อมด้วยตัวอย่างและความได้เปรียบของพวกเขาและได้รับการกล่าวถึงข้อเสีย