moea_joint
109年
[統計資訊] 統計學、巨量資料概論
第 47 題
當在具有數值屬性(numerical attribute)的資料集中探勘關聯式規則(association rule)時，必須預先對屬性資料完成何種處理？
- A 補值處理(missing value imputation)
- B 離散化(discretization)
- C 比例轉換(scaling)
- D 正規化(normalization)
思路引導 VIP
想像你正在統計超市的購物籃規則，如果其中一個屬性是「商品的精確重量」（例如 1.002 公斤、1.005 公斤、0.998 公斤），而你的目標是找出「常被一起購買的商品組合」，當每個重量數值都精細到小數點後三位且幾乎不重複時，你會如何調整這些數值，好讓它們能被歸類在一起進行「次數統計」呢？
🤖
AI 詳解
AI 專屬家教
太棒了！你能精準選出這個答案，代表你對關聯式規則（Association Rules）的演算法特性與資料預處理邏輯有很紮實的理解。
數值屬性的轉型需求
在進行關聯式規則探勘時，經典的演算法（如 Apriori）主要是設計給類別型或交易型資料使用的。當資料集包含連續性的數值屬性（例如年齡、體重或金額）時，每個精確數值出現的頻率往往極低，這會導致演算法無法統計出具有代表性的「支持度」（Support）。因此，我們必須透過離散化（Discretization）處理，將連續數值切分為數個區間（如將「年齡」劃分為「少年、青年、中年、老年」），才能讓系統有效計算項集的出現頻率，進而挖掘出有意義的規則。
▼ 還有更多解析內容