针对Naive Scaler的改进

决策表离散化要求决策表中原有的分类结果不变,而Naive Scaler算法在离散化时,有些根据不可分辨关系应该得到的断点很可能被丢掉,造成决策表信息的丢失。针对这一问题,对其进行了研究并改进。原算法在扫描相同条件属性值而决策值不同的对象时,由于这些对象的排序不同可能造成离散的结果不同。主要是在这里某些断点可能被遗漏,并引进新的冲突。为此,当条件属性值变化时查看其决策属性值,若有不同决策属性值则追加断点以消除断点被丢掉的可能。进而使得到的初始断点集更可靠。最后给出实例表明该算法有效。