离散化方法（数据挖掘）

  • 项目

某些用于在 SQL Server Analysis Services 中创建数据挖掘模型的算法需要特定的内容类型才能正常运行。 例如，Microsoft Naive Bayes 算法不能使用连续列作为输入，也无法预测连续值。 另外，有些列可能会因包含的值太多而导致算法不易标识数据中据以创建模型的相关模式。

在这些情况下，可以将列中的数据离散化，以便能够使用算法来生成挖掘模型。 “离散化 ”是将值放入存储桶中以便得到有限数目的可能状态的过程。 存储桶本身是作为有序且离散的值处理的。 数值列和字符串列都可以进行离散化。

离散化数据时，可以使用多种方法。 如果数据挖掘解决方案使用关系数据，则通过设置 DiscretizationBucketCount 属性的值可以控制对数据分组所使用的存储桶数。 默认存储桶数为 5。

如果数据挖掘解决方案使用联机分析处理 (OLAP) 多维数据集中的数据，数据挖掘算法将使用以下公式自动计算要生成的存储桶数，其中 n 是列中数据非重复值的数目：

Number of Buckets = sqrt(n)

如果不希望 Analysis Services 计算存储桶数，可以使用 DiscretizationBucketCount 属性手动指定存储桶数。

下表介绍了可用于在 Analysis Services 中离散化数据的方法。

离散化方法 说明
AUTOMATIC Analysis Services 确定要使用的离散化方法。
CLUSTERS 该算法可以对定型数据采样，初始化为一些随机点，然后使用 Expectation Maximization (EM) 聚类分析方法运行几次 Microsoft 聚类分析算法迭代，以此将数据分组。 由于 CLUSTERS 方法可用于所有分布曲线，所以该方法很有用。 但是，该方法所需的处理时间比其他离散化方法的处理时间长。

此方法只能用于数值列。
EQUAL_AREAS 该算法将数据分成值数目相同的若干个组。 此方法最适用于正常分布曲线，但如果分布包含的值数量很大，并且这些值在连续数据的窄组中，则此方法的使用效果不是很好。 例如，如果项有一半的成本为 0，那么这一半数据将位于曲线上的某个点以下。 在这种分布中，此方法将对数据进行分解，以便在多个区域中建立相同的离散化。 这样一来，生成的数据表示形式就会不准确。

注解

  • 您可以使用 EQUAL_AREAS 方法来离散化字符串。

  • CLUSTERS 方法使用 1000 个随机记录样本来离散化数据。 如果您不希望算法对数据采样，请使用 EQUAL_AREAS 方法。

  • 神经网络挖掘模型教程提供了一个介绍如何自定义离散化的示例。 有关详细信息，请参阅 第 5 课：构建神经网络和逻辑回归模型 (中间数据挖掘教程) 。

另请参阅

内容类型（数据挖掘）
内容类型 (DMX)
数据挖掘算法（Analysis Services – 数据挖掘）
挖掘结构（Analysis Services – 数据挖掘）
数据类型（数据挖掘）
挖掘结构列
列分布（数据挖掘）