我正在.net中实施C4.5 algorithm，但我不清楚它是如何处理“连续（数字）数据”的。有人可以给我一个更详细的解释吗？
答案 0 :(得分：3)
对于连续数据，C4.5使用阈值，其中小于阈值的所有内容都在左节点中，并且大于阈值的所有内容都在右节点中。问题是如何根据您给出的数据创建该阈值。诀窍是按连续变量按升序对数据进行排序。然后迭代数据，在数据成员之间选择一个阈值。例如，如果属性x的数据是：
0.5, 1.2, 3.4, 5.4, 6.0
首先选择介于0.5和1.2之间的阈值。在这种情况下，我们可以使用平均值：0.85。现在计算你的杂质：
H(x < 0.85) = H(s) - l/N * H(x<0.85) - r/N * H(x>0.85).
其中l是左节点中的样本数，r是右节点中的样本数，N是被分割节点中的样本总数。在我们上面的例子中，x> 0.85作为我们的分裂然后l = 1，r = 4，N = 5.
记住计算出的杂质差异，现在计算它在2和3之间的分割（即x> 2.3）。对每次拆分重复该操作（即n-1次拆分）。然后选择最小化H的分割。这意味着你的分裂应该比不分裂更纯粹。如果无法提高结果节点的纯度，请不要拆分它。您还可以使用最小节点大小，这样您就不会得到只包含一个样本的左或右节点。