如何通过连续特征对一组样本进行分类？

Question

例如，我得到的是下表，这对于20岁以上的人来说只是一个粗略的分布

年龄人数

• 2 1
• 5 5
• 8 2
• 10 3
• 15 1
• 16 2
• 17 1
• 20 4
• 21 1

然后通过使用相同的数据集，我可以构建另一个“更好”的表。

年龄人数

• 10-8
• 10s 7
• 20+ 5

事实上，我可以使用相同的数据集制作更多包含不同年龄范围组合的表格。

现在我想知道如何才能找到最好的组合。我们可以用来衡量组合是否良好的可能的“善良功能”可能遵循以下三个原则：

• 不应该有太多或太少的课程
• 课程范围不应太大。
• 分配应该足够顺畅，也就是说，每个类别所涵盖的项目数量不应有太大差异。

由于这个问题代表的情况足以描述某种特定问题，因此应该已经有了一些复杂的解决方案。但我找不到它们。有人可以提出一些建议吗？

我已经通过了一些分类算法，如PCA，k-mean或“基于最大熵算法”，但似乎它们过于笼统，无法通过遵循以上三个原则来解决这个特定问题。

Answer 1

我会做以下事情：

构建评估函数：

double goodness(double firstThreshold, double bucketWidth, int numBuckets)

根据您的原则返回良好分数。然后，我会强制参数的多个组合，并选择具有最佳良好分数的组合。如果我们为每个参数尝试4-10个值，那么暴力就会起作用，并且可能会为截止值提供很好的整数。如果你想变得更复杂或运行得更快，你可以尝试其他搜索方法，如爬山，光束搜索或模拟退火，但我认为这可能对你的情况有点过分。