数据挖掘：数据对象与属性类别
一、概述
- 现实中的数据一般有噪声、数量庞大并且可能来自异种数据源。
- 数据集由数据对象组成，一个数据对象代表一个实体。
- 数据对象：又称样本、实例、数据点或对象。
- 数据对象以数据元组的形式存放在数据库中，数据库的行对应于数据对象，列对应于属性。
- 属性是一个数据字段，表示数据对象的特征，在文献中，属性、维度（dimension）、特征（feature）、变量（variance）可以互换的使用。
- “维”，一般用在数据仓库中。
- “特征”，一般用在机器学习中。
- “变量”，一般用在统计学中。
- 一个属性的类型由该属性可能具有的值的集合决定，可以是标称的、二元的、序数的、数值的。
二、标称属性（nominal attribute）
1）特点
- 标称属性的值是一些符号或事物的名称。
- 每个值代表某种类别、编码、状态，因此标称属性又被看做是分类的（categorical）。
- 标称属性的值不具有有意义的序，而且不是定量的。（也就是说，给定一个对象集，找出这种属性的均值没有意义）
2）其它
- 这些值不必具有有意义的序，在计算机科学中，这些值也被看做是枚举的（enumeration）。
- 尽管标称属性的值是一些符号或“事物的名称”，但也可以用数表示这些符号或名称，如 hari_color，可以用 0 表示黑色，1 表示黄色。
- 但一种属性中最长出现的值，称为众数（mode），是一种中心趋势度量。
# 例：hari_color（头发颜色）、marital_status（婚姻状况）、occupation（职业），都是标称属性，表示对象的特征。
三、二元属性（binary attitute）
1）特点
- 二元属性是一种标称属性，只有两个状态：0 或 1，其中 0 通常表示该属性不出现，1 表示出现。
- 二元属性又称布尔属性，如果两种状态对应的是 true 和 false。
2）其它
- 对称的二元属性：如果两种状态具有同等价值，并且携带相同权重，如表示性别，则 0 和 1 分别表示男性或女性没有影响。
- 非对称的二元属性：两种状态的结果不是同等重要的，如 HIV 患者和不是 HIV 患者，为了方便计，将用 1 对最重要的结果（通常是稀有的）编码（如，HIV 患者），而另一个用 0 编码。
四、序数属性（ordinal attribute）
1）特点
- 属性对应的可能的值之间具有有意义的序或秩评定（ranking），但是相继值之间的查是未知的。（也就是对应的值有先后次序）
2）其它
- 例：drink_size，表示饮料杯的大小：小、中、大，这些值具有有意义的先后次序。
- 序数属性可以通过把数值量的值域划分成有限个有序类别（如，0-很不满意、1-不满意、2-中性、3-满意、4-很满意），把数值属性离散化而得到。
- 可以用众数和中位数表示序数属性的中性趋势，但不能定义均值。
- 标称、二元和序数属性都是定性的，即，它们描述对象的特征，而不给出实际大小或数值。
五、数值属性（numeric attribute）
-
特点
- 是定量的可度量的量，用整数或实数表示。
- 可以是区间标度的或比率标度的。
1）区间标度（interval-scaled）属性
- 例：temperature（温度）属性，一般表示：10℃~15℃。
- 特点：
- 用相等的单位尺度度量，区间属性的值有序，可以为正、0、负。（值的秩评定）
- 允许比较与定量评估值之间的差。
- 区间标度属性是数值的，中心趋势度量中位数和众数，还可以计算均值。
2）比例标度（ratio-scaled）属性
- 特点
- 具有固有零点的数值属性。（也就是该种属性中会有固有的为 0 的值）
- 一个值是另一个的倍数（或比率）。
- 值是有序的。（可以计算差、均值、中位数、众数）
- 例：度量重量、高度、速度和货币量（例如 100 元是 1 元的 100 倍）的属性。
六、离散属性与连续属性
- 机器学习中的分类算法通常把属性分为离散的和连续的。
1）离散属性
- 特点：
- 具有有限个或无限个可数个数，可以用或不用整数表示。
- 例：hari_color、smoker、drimk_size都有有限个值，因此是离散的。
- 无限可数：如果一个属性可能的值集合是无限的，但是可以建立一个与自然数一一对应，则该属性是无限可数的。
- 例：customer_ID 是无限可数的。
2）连续属性
- 如果属性不是离散的，则它是连续的。
- 文献中，术语“数值属性”和“连续属性”可以互换的使用。
- 实践中，实数值用有限位数数字表示，连续属性一般用浮点变量表示。
注：属性类型之间不是互斥的
一.频繁模式