数据挖掘中基于可辨识矩阵的连续属性离散化方法(2)

根据产生的可辨识矩阵进行的初步合并结果为：｛，．，，２，，，，，４，ｆ，，，。Ｉ，｛，，｝，｛，。，‘，ｋ｝，｛，¨ｌ，｛，∞，．，｝，｛“｝，｛，∽，惦｝，｛，＂，…，如｝，｛匕｝，｛ｋ，ｋ，，２，｝，｛如｝，｛ｋ，…，，３５｝，编码为，，。，，，：，，，，，

ｌ。Ｉ，ｌ。”ｌ’ｂ，１１１，ｌ。％，ｌ。９，１１ｍ，ｌ。ＩＩ，１１

ｎｏ其审，１１

２，

，，．，，，６，，，，，，，。。区间的实例数小于Ｔ＝￣／１５０ａ

１２，

需要进一步合并。计算互信息量，有日．（ｄ，，，）小于日：（ｄ，ｒ），所以将『，：并人到，。中，依次类推，得到最后的离散化的结果为：｛，。，厶，，３，，４，，５，，６，，７｝，

万　

方数据｛，８，…，，。，｝，｛，…，。。｝，｛，。，，…，匕｝，ｉｋ，…，，３５｝。

表１

一性“船ｐｍ

ｌｅｎｇｔｈ

ｉｎ锄”的初始区问

与类属性的列联表

区间

类１

类２

类３

区间

类１

类２

类３

１ｌ

ｌ

Ｏ

０，掉

Ｏ４２，２３

Ｏ０ｋ

Ｏ２２，３

ｌＯ０，２Ｉ０３６Ｌ

４Ｏ

Ｏ如

Ｏ２５，５２

Ｏ０岛Ｏｌ

４，‘

５

Ｏ０ｋ

０２０厶４ｌｌＪ２５

Ｏ３

５，。８２０ｋ

Ｏｌ２

，９

８ｌ０ｌ∞

０ｌ３

１１０３ｌＯ，勰

Ｏｌ

０，ｌｌｌＯ０ｌ静

０Ｏ

１

１，２５ｌＯｋ

ＯＯ３

１１３２５Ｏ，，ｌＯ

０

１１１，Ｏ５１ｌｎ

０

Ｏ

．１ｌ，ｓ２５ｌ

，３，

ＯＯ１，坫ｌ３３

ｋ

Ｏ０４１，７０２ｌ

，３５

Ｏ

０

１

１１，

Ｏ

４

２

资料来源：加州大学ＵＣＩ

Ｍａｃｈｉｎｅ

１．ｅａｒｎｉｎｇ的数据库中ｉｄ８样本集。

将Ｉｄａ样本集中的其他三个属性也分别离散化，离散化的结果见表２。

表２

离散化结果

条件属性

候选断点

∞ｐａｌｌｅｎｇｔｈｉｎｃｍ［４．９５，５．５５，５．８５，６．９５，７．９］∞ｐＢｌｗｉｄｔｈｉｎｃｍ［２．４５，２．８５，３．４５，４．４］ｐｅｔａｌｌｅｎｇｔｈｉｎｃｍ［２．４５，４．７５，５．１５，６．９］ｐｅｔａｌｗｉｄｔｈｉｎ

ｃｍ

［Ｏ．８，１．３５，１．８５，２．５］

对离散化后的结果用神经网络估计其分类精度，在６０％训练样本情况下的多次训练的分类精度期望值为９６．４％，可以说，该方法是一种有效的离散化方法。

五、结论

本文提出的这种离散化方法的优点在于计算简单，每次循环可以归并多个区间，这样就提高了离散化的速度；更为重要的是它同样是以列联表为基础，以保持区间内的一致性和区间之间的差异性为出发点，有效地克服了Ｃｈｉ２算法的缺陷，即不再受列联表中每格期望频率小于某些最小值时的约束；另外，本文的这种算法不需要人为指定离散化区间的最大

和最小数目并且防止了过度拟合。

虽然在本文中的基于可辨识矩阵思想的离散化算法是一种局部的离散化方法，但这种算法的思想可以扩展到全局的离散化即可以同时进行多个条件属性的离散化，这也是今后笔者进一步研究的内容。

数据挖掘

第弘卷第４期２００７年４月

￥ｔａｆｌｓａⅫＲｅｓｅｓｒｄＪ

统计研究

Ｖｄ．Ｍ．Ｎｏ．４ＡＦ．挪酊

面板数据的聚类分析及其应用。

朱建平

陈民恳

内容提要：不同于传统的计量建模分析，本文探讨了多元统计方法在面板数据分析上的运用。文中介绍了面板数据的统计描述方法，构造了面板数据之问相似性的统计指标，并在此基础上提出了面板数据聚类分析的有效方法，通过实际应用取得了良好的效果。

关键词：面板数据；聚类分析；计量经济；多元统计中图分类号：Ｃ８１２

文献标识码：Ａ

文章编号：１００２—４５６５（２００７）０４—００１１—０４

ＴｈｅＣｌｕｓｔｅｒＡｎａｌｙｓｉｓｏｆＰａｎｅｌＤａｔａａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎ

ＺｈｕＪｉａｎｐｉｎｇ＆ＣｈｅｎＭｉｎｋｅｎ

Ａｂｓｔｒａｃｔ：Ｕｎｌｉｋｅｔｈｅｔｒａｄｉｔｉｏｎａｌｅｃｏｎｏｍｅｔｒｉｃｍｏｄｅｌｉｎｇａｎａｌｙｓｉｓ．ｔｈｉｓｐａｐｅｒｄｉｓｃｕｓｓｅｓｔｈｅａｐｐｆｉｃａｔｉｏｎｏｆｍｕｌｔｉｖａｒｉａｔｅ

ｍｅｔｈｏｄｓｆｏｒｐａｎｅｌｄａｔａ．Ｉｔｓｉｍｉｌａｒｉｔｙｏｆｔｈｅ

ｉｎｔｒｏｄｕｃｅｓ

ｔｈｅｓｔａｔｉｓｔｉｃａｌｄｅｓｃｒｉｐｔｉｏｎｏｆ

ｓｔａｔｉｓｔｉｃａｌ

ｐａｎｅｌｄａｔａａｎｄ

ｏｏｎｓｔｒｕｃｔｓ

ｔｈｅ

ｓｔａｔｉｓｔｉｃａｌｉｎｄｉｃａｔｏｒｓｆｏｒｔｈｅ

ｔｏ

ｄａｍ，ａｎｄｔｈｅｒｅｂｙｔｈｅｍｅｔｈｏｄｏｆｃｌｕｓｔｅｒｉｎｇｐａｎｅｌｄａｔａｉｓｐｒｏｐｏｓｅｄ．Ｆｉｎａｌｌｙ，ｔｈｅｍｅｔｈｏｄｉｓｐｒｏｖｅｄ

ｂｅｅｆｆｅｃｔｉｖｅ

ｔｈｍｕｇｈｔｈｅｐｒａｃｔｉｃａｌａｐｐｌｉｃａｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ：Ｐａｎｅｌｄａｔａ；ｃｌｕｓｔｅｒａｎａｌｙｓｉｓ；ｅｃｏｎｏｍｅｔｒｉｃｓ；ｍｕｌｔｉｖａｒｉａｔｅｓｔａｔｉｓｔｉｃｓ

一、引言

面板数据（ＰａｎｅｌＤａｔａ）是截面数据和时间序列数据的组合，是现实生活中很常见的数据形式，例如我国３１个省级地区的２０年的国内生产总值数据，就是一组“ＰａｎｅｌＤａｔａ”。从１９７０年代末以来，ＰａｎｅｌＤａｔａ模型的理论方法已日渐成熟，涌现了大量有关的理论和经验分析文章，形成了现代计量经济学的一个相对独立的分支…。绝大多数有关Ｐａｎｅｌ

Ｄａｔａ

Ｈｅｒｍｏｓｉｌｌａ

Ａ．Ｙ．等统计学家则另辟蹊径，将多元统

Ｄ．

计方法引入到ＰａｎｅｌＤａｔａ的分析中来ｂ１。ＢｏｎｚｏＣ．运用概率连接函数（ｐｒｏｂａｂｉｌｉｔｙ

ｌｉｎｋ

ｆｕｎｃｔｉｏｎ）改进

聚类分析的算法，从而将聚类分析用于面板数据的分析。然而，对面板数据的统计描述，以及刻画面板数据之间的相似性研究的不多，本文将针对此问题进行讨论，构造面板数据的相似指标，并在此基础上提出面板数据聚类分析的有效方法。

的理论心３，都是从计量建模的角度着手，从单方程模型到联立方程模型，从变截距模型到变系数模型，从线性模型到非线性模型等等，另一方面，都是着重于模型参数估计方法的研究。ＢｏｎｚｏＤ．Ｃ．和

参考文献

［Ｉ】Ｍａｒｃ

Ｂｏｕｌｌｅ．Ｋｈｉｏｐｓ：ＡＳｍｔｉｓｔｉｃＭＤｉｓｃｒｅｔｉｚａｔｉｏｎ

ＭｅｔｈｏｄｏｆＣｏｎｔｉｎｕｏｕｓ

－本文获国家教育部“新世纪优秀人才支持计划”（ＮＣＥＴ－０４－０６０８）资助；国家教育部社科研究规划项目（０６ＪＡ９１０００３）资助。

作者简介

刘云霞，山西省。１９７８年生。女，厦门大学计划统计系０４级博士研究生，研究方向为数 …… 此处隐藏：1208字，全部文档内容请下载后查看。喜欢就下载吧 ……