UCI连续型信息系统离散化的方法及实现？

用UCI数据集测试连续数据离散化算法，python实现（如下）
1基于熵的离散化算法python代码.用UCI数据集测试
2.基于卡方分裂的离散化算法python代码，UCI数据集测试

• 这个问题的回答你可以参考下: https://ask.csdn.net/questions/7572627
• 这篇博客也不错, 你可以看下【有限差分法】（三）一维和二维抛物方程CN格式以及长时间稳定性分析（附算例与Python代码）
• 除此之外, 这篇博客: 【机器学习实例】利用python实现梯度下降和逻辑回归原理(Python详细源码：预测学生是否被录取)中的 定义一个函数可以方便进行测试用 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

• def runExpe(data, theta, batchSize, stopType, thresh, alpha):
      #import pdb; pdb.set_trace();
      theta, iter, costs, grad, dur = descent(data, theta, batchSize, stopType, thresh, alpha)
      name = "Original" if (data[:,1]>2).sum() > 1 else "Scaled"
      name += " data - learning rate: {} - ".format(alpha)
      if batchSize==n: strDescType = "Gradient"
      elif batchSize==1:  strDescType = "Stochastic"
      else: strDescType = "Mini-batch ({})".format(batchSize)
      name += strDescType + " descent - Stop: "
      if stopType == STOP_ITER: strStop = "{} iterations".format(thresh)
      elif stopType == STOP_COST: strStop = "costs change < {}".format(thresh)
      else: strStop = "gradient norm < {}".format(thresh)
      name += strStop
      print ("***{}\nTheta: {} - Iter: {} - Last cost: {:03.2f} - Duration: {:03.2f}s".format(
          name, theta, iter, costs[-1], dur))
      fig, ax = plt.subplots(figsize=(12,4))
      ax.plot(np.arange(len(costs)), costs, 'r')
      ax.set_xlabel('Iterations')
      ax.set_ylabel('Cost')
      ax.set_title(name.upper() + ' - Error vs. Iteration')
      return theta
  

• 您还可以看一下 CSDN就业班老师的【数据分析-随到随学】Python语法强化与数据处理课程中的 实战：完成一个简单的学生信息管理小节, 巩固相关知识点