如何通过连续特征对一组样本进行分类？

Question

例如，我得到了下面的表格，它只是 20 名以上年龄的人的粗略分布

         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
•    10秒               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。

现在我想知道如何找到最佳组合。我们可以用来衡量组合是否良好的可能“优度函数”可能遵循以下三个原则：

• 类不应太多或太少 类
• 的范围不应变化太大。
• 分布应该足够平滑，即每个类别涵盖的项目数量不应相差太大。

由于这个问题所代表的情况只是足够笼统地描述一类具体问题，因此应该已经存在一些复杂的解决方案。但我没能找到他们。有人可以给一些建议吗？

我已经了解了一些分类算法，如 PCA、k-mean 或“基于最大熵的算法”，但似乎它们太笼统，无法通过遵循上述所有三个原则来涵盖这个特定问题。

Answer 1

我会执行以下操作：

构建一个评估函数：

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

根据您的原则返回一个良好分数。然后，我会暴力破解多个参数组合，并选择具有最佳优度分数的组合。如果我们为每个参数尝试 4-10 个值，那么蛮力就会起作用，并且可能会为您提供很好的截止值。如果你想变得更复杂或者让它运行得更快，那么你可以尝试其他搜索方法，比如爬山、波束搜索或模拟退火，但我认为这对于你的情况来说可能有点过分了。