データ離散化とは？基本概念から概念階層までわかりやすく解説

データ離散化（data discretization）とは、連続属性の値域を複数の区間に分割することで、その属性が取りうる値の数を削減する手法です。区間ラベルを用いて実際のデータ値を表現することで、連続属性の膨大な値を少数の区間ラベルに置き換えられ、元の情報を削減・簡素化できます。

この処理により、マイニング結果を簡潔で扱いやすい知識レベルの表現へと変換することが可能になります。

離散化手法の分類

離散化手法は、その実装方法に応じていくつかの観点から分類できます。主な分類基準は「クラス情報を使用するかどうか」と「処理の進行方向（トップダウンかボトムアップか）」の2つです。

教師あり離散化と教師なし離散化

離散化の過程でクラス情報（教師データ）を利用する場合、その手法は教師あり離散化と呼ばれます。一方、クラス情報を一切使用しない場合は教師なし離散化に分類されます。

トップダウン離散化（分割法）

まず属性の値域全体を分割するための1つまたは複数の点（分割点（split point）またはカットポイント（cut point）と呼ばれます）を特定し、その後、生成された各区間に対してこの分割処理を再帰的に適用していく方式です。全体から細部へと段階的に分解していくアプローチと言えます。

ボトムアップ離散化（併合法）

こちらは逆に、すべての連続値を潜在的な分割点として捉えるところから始めます。近傍の値同士を併合して区間を形成することで分割点を減らし、その後、生成された区間に対してこの併合処理を再帰的に適用します。細部から全体へと統合していくアプローチです。

概念階層との関係

離散化を属性に対して再帰的に実行することで、属性値の階層的・マルチ解像度な分割が実現できます。この階層構造は概念階層（concept hierarchy）と呼ばれ、複数の抽象化レベルでマイニングを行う際に非常に有用です。

特定の数値属性に対する概念階層は、その属性の離散化を表していると考えることができます。例えば、「年齢」属性の具体的な数値（低レベルの概念）を、「若年層」「中年層」「高齢層」といった高レベルの概念に置き換えることで、データを削減できます。

このようなデータ一般化によって詳細情報は隠されますが、一般化されたデータはより意味が明確になり、処理も容易になります。

なぜマイニング前の前処理として使われるのか

概念階層を用いることで、複数のマイニングタスク間で一貫したデータマイニング結果の記述が可能になります。これは実務上の一般的な要件です。

さらに、削減されたデータセットに対してマイニングを行えば、入出力操作が少なくて済み、一般化されていない大規模なデータセットを扱う場合よりも効率的です。

こうした利点があるため、離散化手法と概念階層は、マイニングの実行中ではなく、データマイニングの前処理ステップとして一般的に利用されています。

概念階層の自動生成

数値属性に対する概念階層を自動的に生成したり、動的に洗練させたりするために、複数の離散化手法を活用できます。

また、カテゴリ属性に関する多くの階層は、データベース設計の中に暗黙的に組み込まれており、スキーマ定義レベルで自動的に表現できる点も覚えておくと良いでしょう。