semaphore提示您：看後求收藏（八零中文www.80zw.tw），接著再看更方便。
\/n，在每個區間的邊界處劃分資料。基於聚類的離散化：將資料分成若干個簇，簇內的資料相似度高，簇間資料相似度低。具體實現時可以使用聚類演算法如k-means、dbScAN等。自適應離散化：透過迭代的方式，不斷根據資料的特性調整區間的邊界，以達到最優的離散化效果。下面分別以等距離散化、等頻率離散化、基於聚類的離散化和自適應離散化為例子，分別列出具體的例題：等距離散化假設我們有一個包含1000個學生身高資料的資料集，我們想將身高離散化成10個等寬的區間，以下是離散化方法：計算身高的最小值和最大值，假設最小值為140cm，最大值為200cm。計算每個區間的寬度，假設共10個區間，每個區間的寬度為(200-140)\/10 = 6cm。根據每個學生的身高，將其分入相應的區間。等頻率離散化假設我們有一個包含200家公司的財務資料的資料集，我們想將每個公司的營業收入離散化成5個等頻率的區間，以下是離散化方法：將所有公司的營業收入升序排序。計算每個區間的資料數量，在本例中，因為共有200個公司，所以每個區間包含40個公司。找到每個區間的邊界，比如第一個區間的最小值和第二個區間的最大值，這兩個值之間的所有公司的營業收入都屬於第一個區間。
