如何通过连续特征对一组样本进行分类？

Question

例如，我得到了下表，它只是 20 岁以上的人的粗略分布

      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
•    10s             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段组合的表格。

现在我想知道如何才能找到最佳组合。我们可以用来衡量组合是否良好的可能“良好功能”可能来自以下三个原则：

• 课程不宜过多或过少
• 类的范围不应相差太大。
• 分布应该足够平滑，即每个类所涵盖的项目数不应该相差太大。

由于这个问题所代表的情况只是笼统地描述了一种特定的问题，因此应该已经有了一些复杂的解决方案。但我没能找到它们。谁能给点建议？

我已经使用了一些分类算法，例如 PCA、k-mean 或“基于最大熵的算法”，但它们似乎过于笼统，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

我会做以下事情：

构造一个评估函数：

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

它会根据您的原则返回良好分数。然后我会蛮力使用一些参数组合，并选择具有最佳质量分数的组合。如果我们为每个参数尝试 4-10 个值，那么蛮力将起作用，并且可能会为您提供不错的截止数字。如果您想变得更复杂或让它运行得更快，那么您可以尝试其他搜索方法，例如爬山、光束搜索或模拟退火，但我认为这对您的情况来说可能有点过头了。