最近與一個客戶的開發(fā)團隊探討和學(xué)習(xí)SQL Server的數(shù)據(jù)挖掘及其應(yīng)用。有幾個比較有意思的問題，整理出來

關(guān)于數(shù)據(jù)挖掘的基本知識和學(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

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

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

我的理解是這樣的

1. 首先，這個ContentType是指定在挖掘模型中將如何這些屬性，而并非說這個屬性本身是連續(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候，按照一定的規(guī)則劃分一些范圍，而不是單一的某個值。典型的連續(xù)類型，例如年收入，年齡等。因為年收入的值可能是很多的，如果每一個值都作為一個分析的個體去做，那么會導(dǎo)致太過細枝末節(jié)。我們通常在分析的時候，習(xí)慣將收入分段，例如1000～30000之間當(dāng)做一個個體。如果要實現(xiàn)這樣的效果，那么年收入就要設(shè)置為“連續(xù)”。下圖是在決策樹中看到的一個效果



4. 那么什么是“離散(Discreted)”的內(nèi)容類型呢?和“連續(xù)”正好相反，它表示將每個數(shù)據(jù)都作為單一的個體進行分析，如果數(shù)據(jù)包含有限的幾個可選值，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效果。除了第一個屬性“Age”之外，其他的其實都是離散的。



5. 那么，什么是離散化(Discretized)的呢?其實上面這個圖中看到的Age就是離散化的。為什么這么說呢?首先它肯定不是連續(xù)的，因為貝葉斯不支持連續(xù)的內(nèi)容類型，其次它又不是離散的，離散的是將每個數(shù)據(jù)作為個體，而這里的Age其實是有范圍的意思。那么，這樣你就大致理解了為什么會有“離散化”這么一個類型了吧?就是說，在某些算法里面，既不支持連續(xù)的內(nèi)容類型，而且你分析的時候，又不希望用離散的內(nèi)容類型進行分析(因為個體可能很多)，那么可以選擇將這些數(shù)據(jù)轉(zhuǎn)換為離散的，這個過程叫離散化。我們來看看是怎么做到的?

首先，設(shè)置為Discretized，

然后一定要設(shè)置另外兩個屬性：DiscretizationBucketCount，和DiscretizationMethod,第一個屬性表示分成多少組(最多)，第二個屬性表示要用什么方法分組。這個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：Denali，SQL Server再出擊
2. 說說SQL Server編年史
3. 簡單說說SQL Server上的加密術(shù)
4. 擦亮自己的眼睛去看SQL Server