離散值屬性，又稱離散屬性。在機器學習領域中，設計的分類算法通常把屬性分成離散的或連續的。每種類型都可以用不同的方法處理。離散屬性具有有限或無限可數個值，可以用或不用整數表示。
基本介紹
- 中文名：離散值屬性
- 外文名：discrete attributes
- 歸屬學科：自動控制
- 性質：離散屬性具有有限或無限可數個值
- 相關：連續屬性
- 套用領域：機器學習
屬性,標稱屬性,二元屬性,序數屬性,數值屬性,離散屬性與連續屬性,離散值屬性,
屬性
屬性： 一個數據欄位，表示數據對象的一個特徵。（屬性、維、特徵、變數可以互換實用）
標稱屬性
標稱意味著“與名稱相關”；標稱屬性的值是一些符號或失誤的名稱。每個只代表某種類別、編碼或者狀態，因而標稱屬性又被堪稱是分類的。例如，人的屬性->頭髮顏色（黑、白、棕、紅、黃...）和婚姻狀況（未婚、已婚、離異...）屬於標稱屬性。
標稱屬性值可以用數字表示，如1，2，3等；但是這些值並不具有有意義的序，並且不是定量的，因而這種屬性的均值、中位數是沒有意義的。眾數是有意義的。
二元屬性
二元屬性是一種標稱屬性，只有兩種類別（狀態）：0和1，通常0表示該屬性不出現，1表示出現。又稱為布爾屬性（true 和 false）。
二元屬性又分對稱的和非對稱的： 對稱指兩種狀態具有同等價值且相同的權重，如性別（男、女）；非對稱是指狀態的結果不是同樣重要的，如病毒化驗結果（陽性、陰性）。
序數屬性
序數屬性的可能的值之間具有有意義的序或秩評定，但是相繼值之間的差是未知的。序數屬性通常用於等級評定調查。
標稱、二元和序數屬性都是定性的，他們描述對象的特徵，而不給出實際大小或數量。
定性屬性的值通常是代表類別的詞。
數值屬性
數值屬性是定量的，他是可度量的量，用證書或實數值表示，數值屬性可以是區間標度的或比率標度的。
區間標度屬性：屬性用相等的單位尺度度量。區間熟悉的值有序，例如： 20度，15度（溫度屬性）；
離散屬性與連續屬性
機器學習領域開發的分類算法通常把屬性分類成離散或連續的。
離散屬性：具有有限或無限可數個值，可以用或不用整數表示，如頭髮顏色、婚姻狀況都是有限個值，是離散的。
離散值屬性
機器學習領域開發的分類算法通常把屬性分成離散的或連續的。每種類型都可以用不同的方法處理。離散屬性具有有限或無限可數個值，可以用或不用整數表示。屬性hair_color、smoker、medical_test和drink_size都有有限個值，因此是離散的。注意，離散屬性可以具有數值值。如對於二元屬性取0和1，對於年齡屬性取0到110。如果一個屬性可能的值集合是無限的，但是可以建立一個與自然數的一一對應，則這個屬性是無限可數的。例如，屬性customer_ID是無限可數的。顧客數量是無限增長的，但事實上實際的值集合是可數的（可以建立這些值與整數集合的一一對應）。郵政編碼是另一個例子。
如果屬性不是離散的，則它是連續的。在文獻中，術語“數值屬性”與“連續屬性”通常可以互換地使用。（這可能令人困惑，因為在經典意義下，連續值是實數，而數值值可以是整數或實數。）在實踐中，實數值用有限位數字表示。連續屬性一般用浮點變數表示。
