MATLAB ChiMerge数据集离散化工具

资 源 简 介

本MATLAB项目实现了ChiMerge算法，可将连续型数值数据自动离散化为合理的区间分箱。通过卡方统计检验动态确定最优边界，在保留数据分布特征的同时有效降低复杂度，适用于数据预处理和特征工程场景。

详 情 说 明

基于ChiMerge算法的数据集离散化工具

项目介绍

本项目是一个基于MATLAB实现的ChiMerge离散化算法工具，专门用于将连续型数值数据自动转换为离散区间。系统采用卡方统计量检验来确定最佳的分箱边界，在有效保持数据原有分布特征的同时显著降低数据复杂度。该工具适用于数据预处理、特征工程等领域，特别适合需要将连续变量转换为分类变量的机器学习应用场景。

功能特性

• 智能区间划分：自动确定最优离散化区间数量，无需预先指定分箱个数
• 参数可定制：支持用户自定义显著性水平参数，初始分箱数量，最小区间样本数等关键参数
• 可视化分析：提供完整的离散化过程可视化，直观展示数据分布与区间划分效果
• 规则可解释：生成详细的离散化规则报告，包含各项统计指标便于结果分析
• 多维度支持：可同时处理数据集的多个特征维度，实现批量离散化操作

使用方法

数据输入

1. 连续型数值矩阵：N×M维数据矩阵，其中N为样本数量，M为特征维度
2. 类别标签向量（可选）：N×1维标签向量，用于监督式离散化（如分类任务）
3. 参数配置：设置显著性水平阈值（默认0.05）、初始分箱数量、最小区间样本数等参数

输出结果

1. 离散化区间边界：K×2×M维矩阵，记录各特征的区间边界信息
2. 离散化数据矩阵：N×M维分类数据矩阵，连续值映射为区间编号
3. 质量评估报告：包含卡方统计量、自由度、p值等评估指标
4. 可视化图表：原始数据分布与离散化区间的对比直方图

基本操作流程

% 加载数据 data = load('continuous_data.mat'); labels = load('class_labels.mat');

% 运行离散化 results = chiMergeDiscretize(data.matrix, labels.vector, 'alpha', 0.05);

% 查看结果 disp(results.boundaries); plotDiscretizationResults(results);

系统要求

• MATLAB R2018a或更高版本
• Statistics and Machine Learning Toolbox
• 推荐内存：4GB以上（针对大规模数据集）

文件说明

主程序文件实现了ChiMerge算法的核心离散化流程，包括数据预处理、初始分箱生成、卡方检验计算、区间合并决策、结果评估与可视化输出等完整功能链。该文件整合了参数配置、算法执行和结果输出的全部环节，为用户提供一站式的离散化解决方案。