Data Discretization
Sürekli veya yüksek çözünürlüklü sayısal değerlerin belirlenmiş aralık ya da kategorilere dönüştürülmesi işlemi.
Veri ayrıklaştırma, sayısal bir değişkenin değerlerini belirli aralıklara ya da kategorilere dönüştürür. İşlem veri çözünürlüğünü düşürür; kimi modellerde gürültüyü azaltır, bazı eşik temelli kuralları kolaylaştırır. Buna karşılık sınıf içindeki sayısal farklar kaybolur.
15, 18, 29, 31 değerleri için [0,20), [20,40) sınırları kullanılırsa ilk iki değer aynı sınıfta, son ikisi başka sınıfta yer alır. Orijinal değerler birbirinden farklı olmaya devam etse de ayrıklaştırılmış gösterimde bu farklar korunmaz.
Üç farklı sınır kurma yaklaşımı
Eşit genişlikli sınıflama sayısal aralığı sabit uzunluklu bölümlere ayırır. Eşit frekanslı sınıflama, kuantillerden sınır türeterek sınıf doluluklarını dengelemeye çalışır. Kümeleme tabanlı yöntemler ise sınırları gözlem yoğunluklarının çevresinde şekillendirebilir. Denetimli ayrıklaştırma, hedef değişkeninden yararlanarak farklı bir problem çözer.
Makine öğrenmesinde veri sızıntısı
Bir ayrıklaştırıcının sınırları bütün veri kümesine göre öğrenilir, ardından eğitim-test ayrımı yapılırsa test verisinin dağılımı eğitim işlemine sızabilir. Özellikle kuantil ve öğrenilen sınırlar için fit yalnız eğitim bölümünde yürütülmeli, aynı dönüşüm doğrulama ve test bölümlerine uygulanmalıdır. Zamansal verilerde sınırların hangi dönemde öğrenildiği ayrıca önemlidir.
Ayrıklaştırma her modelde avantaj sağlamaz. Ağaçlar zaten eşiklerle bölme yapabilir; başka modellerde bilgi kaybı tahmin hatasını artırabilir. Frekans tablosu bir dağılımı özetlerken ayrıklaştırılmış değişken daha sonra bir modele giriş özelliği olarak verilebilir.