论文部分内容阅读
连续属性值域划分方法是数据挖掘和机器学习领域的重要课题。但已有的大量离散化方法倾向于研究一维属性离散化问题，没有考虑多属性之间的相互关系，难于获得最佳的离散化结果。提出一种基于最小描述长度理论的多属性划分方法，通过定义多属性的模型选择问题，推导出多属性划分衡量函数；设计一种合理的算法来寻找最好的离散化结果。性能评价与分析表明，该方法在Naive贝叶斯分类器上有很好的分类学习能力。