机器学习中，对数据集的数据处理是非常重要的一步。在像决策树、贝叶斯分类器等的模型训练时，连续值和离散值分别对应不同情况，这就需要对数据的某个属性是否为连续属性进行判断。请问目前是否有有效的判断标准，因为对于小样本来说，占比、方差、是否为整数等数字特征并不能做有效判断。
判断一个属性是否为连续属性或离散属性的方法一般是根据属性值的类型来确定的。
如果一个属性的取值是连续的实数或实数区间，则该属性被视为连续属性；如果一个属性的取值是有限个离散值，则该属性被视为离散属性。
对于某些特殊的数据集，可能存在连续值和离散值之间的模糊性，例如某些小样本数据集。在这种情况下，可以考虑使用一些特征工程的方法来处理数据，以提高模型的性能和准确性。
一种常见的处理方法是将连续值离散化，将连续属性的取值域划分为若干个离散区间，并将属性的取值映射到相应的离散值上。这样可以将连续属性转化为离散属性，从而适应离散值类型的模型。
另外，可以尝试使用其他特征工程方法来处理数据，例如特征缩放、数据平滑、特征选择等。这些方法可以帮助提取数据的重要特征，并去除噪声和冗余信息，从而提高模型的性能和准确性。
总之，对于小样本数据集，需要结合实际情况进行处理，选择合适的特征工程方法，并根据模型的特性和需求进行相应的数据处理。