最近與一個(gè)客戶的開(kāi)發(fā)團(tuán)隊(duì)探討和學(xué)習(xí)SQL Server的數(shù)據(jù)挖掘及其應(yīng)用。有幾個(gè)比較有意思的問(wèn)題，整理出來(lái)

關(guān)于數(shù)據(jù)挖掘的基本知識(shí)和學(xué)習(xí)資料，可以參考http://msdn.microsoft.com/zh-cn/library/bb510517.aspx

1. 如何理解Continuous(連續(xù)),Discretized(離散化)和Discreted(離散的)的區(qū)別

這是對(duì)于在數(shù)據(jù)挖掘結(jié)構(gòu)中，對(duì)于內(nèi)容類型設(shè)置的幾個(gè)常用的值，如下圖所示

【備注】其實(shí)除了這三個(gè)，還有其他好多個(gè)不同的ContentType，具體的請(qǐng)參考http://msdn.microsoft.com/zh-cn/library/ms174572.aspx

我的理解是這樣的

1. 首先，這個(gè)ContentType是指定在挖掘模型中將如何這些屬性，而并非說(shuō)這個(gè)屬性本身是連續(xù)的或者離散的。
2. 其次，不同的挖掘算法對(duì)于ContentType的支持是不一樣的。例如貝葉斯算法就不支持連續(xù)的類型。其他一些算法也或多或少會(huì)有些自己的限制等
3. 如果使用“連續(xù)(Continuous)”，則表示這一列的數(shù)據(jù)，最終可以在分析的時(shí)候，按照一定的規(guī)則劃分一些范圍，而不是單一的某個(gè)值。典型的連續(xù)類型，例如年收入，年齡等。因?yàn)槟晔杖氲闹悼赡苁呛芏嗟?，如果每一個(gè)值都作為一個(gè)分析的個(gè)體去做，那么會(huì)導(dǎo)致太過(guò)細(xì)枝末節(jié)。我們通常在分析的時(shí)候，習(xí)慣將收入分段，例如1000～30000之間當(dāng)做一個(gè)個(gè)體。如果要實(shí)現(xiàn)這樣的效果，那么年收入就要設(shè)置為“連續(xù)”。下圖是在決策樹(shù)中看到的一個(gè)效果



4. 那么什么是“離散(Discreted)”的內(nèi)容類型呢?和“連續(xù)”正好相反，它表示將每個(gè)數(shù)據(jù)都作為單一的個(gè)體進(jìn)行分析，如果數(shù)據(jù)包含有限的幾個(gè)可選值，則很適合用這種類型。例如性別，職業(yè)等等。下圖是在貝葉斯算法中看到的一個(gè)效果。除了第一個(gè)屬性“Age”之外，其他的其實(shí)都是離散的。



5. 那么，什么是離散化(Discretized)的呢?其實(shí)上面這個(gè)圖中看到的Age就是離散化的。為什么這么說(shuō)呢?首先它肯定不是連續(xù)的，因?yàn)樨惾~斯不支持連續(xù)的內(nèi)容類型，其次它又不是離散的，離散的是將每個(gè)數(shù)據(jù)作為個(gè)體，而這里的Age其實(shí)是有范圍的意思。那么，這樣你就大致理解了為什么會(huì)有“離散化”這么一個(gè)類型了吧?就是說(shuō)，在某些算法里面，既不支持連續(xù)的內(nèi)容類型，而且你分析的時(shí)候，又不希望用離散的內(nèi)容類型進(jìn)行分析(因?yàn)閭€(gè)體可能很多)，那么可以選擇將這些數(shù)據(jù)轉(zhuǎn)換為離散的，這個(gè)過(guò)程叫離散化。我們來(lái)看看是怎么做到的?

首先，設(shè)置為Discretized，

然后一定要設(shè)置另外兩個(gè)屬性：DiscretizationBucketCount，和DiscretizationMethod,第一個(gè)屬性表示分成多少組(最多)，第二個(gè)屬性表示要用什么方法分組。這個(gè)Method有下面三種選擇

原文鏈接：http://www.cnblogs.com/chenxizhang/archive/2011/07/24/2115281.html

【編輯推薦】

1. 代號(hào)：Denali，SQL Server再出擊
2. 說(shuō)說(shuō)SQL Server編年史
3. 簡(jiǎn)單說(shuō)說(shuō)SQL Server上的加密術(shù)
4. 擦亮自己的眼睛去看SQL Server