2.1.1 数据属性
数据集由数据对象组成,一个数据对象代表一个实体。数据对象又称样本、实例、数据点或对象。属性(attribute)是一个数据字段,表示数据对象的一个特征。属性向量(或特征向量)是用来描述一个给定对象的一组属性。属性有不同类型:标称属性(nominal attribute)、二元属性(binary attribute)、序数属性(ordinal attribute)、数值属性(numerical attribute)、离散属性与连续属性。
(1)标称属性
标称属性意味着与名称相关,它的值是一些符号或事物的名称。每个值代表某种类别、编码或状态,因此标称属性又被看作是分类的(categorical)。这些值不必具有有意义的序列,并且不是定量的。在计算机科学中,这些值也被看作是枚举的(enumeration)。在标称属性上,数学运算是没有意义的。
假设hair_color(头发颜色)和marital_status(婚姻状况)是两个描述人的属性。hair_color的可能值为黑色、棕色、淡黄色、红色、赤褐色、灰色和白色。marital_status的取值可以是单身、已婚、离异或丧偶。hair_color和marital_status都是标称属性。标称属性的另一个例子是occupation(职业),取值可以是教师、牙医、程序员、农民等。
尽管我们说标称属性的值是一些符号或事物的名称,但是可以用数表示这些符号或名称。例如,对于hair_color,我们可以指定代码0表示黑色,1表示棕色,等等。另一个例子是customer_ID(顾客号),它的可能值可以都是数值。然而,在这种情况下,并不打算定量地使用这些数。也就是说,在标称属性之上,数学运算没有意义。与从一个年龄值(这里,年龄是数值属性)减去另一个不同,从一个顾客号减去另一个顾客号毫无意义。尽管一个标称属性可以取整数值,但是也不能把它视为数值属性,因为并不打算定量地使用这些整数。
标称属性值并不具有有意义的序,并且不是定量的,因此,给定一个对象集,找出这种属性的均值(平均值)或中值(中位数)就没有意义。然而,一件有意义的事情是寻找该属性最常出现的值,这个值称为众数(mode),是一种中心趋势度量。
(2)二元属性
二元属性是一种标称属性,只有两个类别或状态:0或1,其中0常表示不出现,1表示出现。如果将0和1对应于false和true,二元属性则称为布尔属性。
(3)序数属性
序数属性可能的取值之间具有有意义的序或等级评定,但相继值之间的差是未知的。例如,学生的成绩属性可以分为优、良、中、差四个等级;某快餐店的饮料杯具有大、中、小三个可能值。然而,具体“大”比“中”大多少是未知的。
序数属性可用于记录不能客观度量的主观质量评估。因此,序数属性常用于等级评定调查。如某销售部门客户服务质量的评估,0表示很不满意,1不太满意,2表示中性,3表示满意,4表示非常满意。(https://www.daowen.com)
通过数据预处理中的数据规约,序数属性可以通过将数据的值域划分成有限个有序类别,将数值属性离散化而得到。应注意的是,标称、二元和序数属性都是定性的,只描述样本的特征,而不给出实际大小或数量。下面介绍提供样本定量度量的数值属性。
(4)数值属性
数值属性是可度量的量,用整数或实数值表示,有区间标度和比率标度两种类型。
①区间标度(interval-scaled)属性
区间标度属性用相等的单位尺度度量。区间属性的值有序。所以,除等级评定外,这种属性允许比较和定量评估值之间的差。例如,身高属性是区间标度的。假设我们有一个班学生的身高统计值,将每一个人视为一个样本,将这些学生身高值排序,可以量化不同值之间的差。A同学身高170 cm比B同学的身高165 cm高出5 cm。
对于没有真正零点假设的摄氏温度和华氏温度,其零值不表示没有温度。例如,摄氏温度的度量单位是水在标准大气压下沸点温度与冰点温度之差的1/100。尽管可以计算温度之差,但没有真正的零值,因此不能说10℃是5℃的2倍,不能用比率描述这些值。但比率标度属性存在真正的零点。
②比率标度(ratio-scaled)属性
比率标度属性的度量是比率的,可以用比率来描述两个值,即一个值是另一个值的倍数,也可以计算值之间的差。例如,不同于摄氏和华氏温度,开氏温度具有绝对零度。在绝对零度,构成物质的粒子具有零动能。比率标度属性的例子还包括字数和工龄等计数属性,以及重量、高度、速度等度量属性。
(5)离散属性与连续属性
前面介绍的四种属性类型之间不是互斥的。还可以用许多其他方法来组织属性类型,使类型间不互斥。机器学习领域的分类算法常把属性分为离散的或连续的。不同的类型有不同的处理方法。
离散属性具有有限或无限个值。例如,学生成绩属性取优、良、中、差;二元属性取1和0;年龄属性取0到110。如果一个属性可能取值的值集合是无限的,但可以建立一个与自然数的一一对应,那么这个属性也是离散属性。如果一个属性不是离散的,那么它是连续的。注意:在文献中,术语“数值属性”和“连续属性”常可以互换使用,因此,“连续属性”也常被称为“数值属性”。
