data-mining - weka中的离散化

Question

我需要知道何时是在 weka 中进行离散化的合适时间。我有数据集，我需要从该数据中创建训练和测试数据样本。我应该在采样前还是采样后对数值属性进行离散化？

Answer 1

这应该是显而易见的。

只要您获得与执行的拆分无关的相同结果，您就可以在之后进行。但是这样做有什么好处呢？那就先做预处理吧。

如果您通过四舍五入进行离散化 - 例如浮点数为整数 - 那么您应该没问题（这不受拆分的影响）。但是如果你用分位数来离散化，很明显你可能会搞砸，因为你会对不同的部分进行不同的离散化！

假设您将数据离散化为两个不同的值：

Input data    Type     Output value
0.9           good     1.05
1.0           good     1.05
1.1           good     1.05
1.2           good     1.05
---
2.1           good     2.20
2.3           good     2.20
2.2           good     2.20
---  SPLIT HERE ---
1.1           bad      1.20
1.2           bad      1.20
1.3           bad      1.20
---
1.9           bad      2.00
2.0           bad      2.00
2.1           bad      2.00

看，通过使用每个值簇的平均值，“好”和“坏”都被离散化为两个离散值。但由于“好”和“坏”的平均值不同，结果属性清楚地揭示了真正的成员资格。检测“坏”的任务变得更加容易。

永远不要执行单独的预处理。