लागू डेटा रेंज की व्यापक विविधता और डेटा मूल्यों के लगातार अपडेट के कारण संख्यात्मक विशेषताओं के लिए कॉन्सेप्ट हायरार्की को परिभाषित करना जटिल और श्रमसाध्य है। संख्यात्मक डेटा के लिए कॉन्सेप्ट हायरार्की जनरेशन के विभिन्न तरीके निम्नलिखित हैं:
बिनिंग - बिनिंग परिभाषित संख्या के बिन्स के आधार पर एक टॉप-डाउन स्प्लिटिंग तकनीक है। इन विधियों का उपयोग न्यूमेरोसिटी रिडक्शन और कॉन्सेप्ट हायरार्की जनरेशन के लिए डिस्क्रिटाइज़ेशन विधियों के रूप में भी किया जाता है। इन तकनीकों को परिणामी पार्टीशन्स पर पुनरावर्ती रूप से लागू किया जा सकता है ताकि कॉन्सेप्ट हायरार्की बनाई जा सके। बिनिंग क्लास डेटा का उपयोग नहीं करता है और इसलिए, एक अनसुपरवाइज़्ड डिस्क्रिटाइज़ेशन तकनीक है। यह उपयोगकर्ता-निर्दिष्ट बिन्स की संख्या और आउटलेयर्स की उपस्थिति के प्रति संवेदनशील है।
हिस्टोग्राम विश्लेषण - बिनिंग की तरह, हिस्टोग्राम विश्लेषण एक अनसुपरवाइज़्ड डिस्क्रिटाइज़ेशन तकनीक है क्योंकि यह क्लास डेटा का उपयोग नहीं करता है। हिस्टोग्राम किसी विशेषता, A, के मूल्यों को डिसजॉइंट रेंज में विभाजित करते हैं जिन्हें बकेट्स के रूप में जाना जाता है। एक समान-चौड़ाई हिस्टोग्राम में, उदाहरण के लिए, मूल्यों को कीमत के लिए समान आकार के पार्टीशन या रेंज में विभाजित किया जाता है, जहां प्रत्येक बकेट की चौड़ाई $10 होती है। समान आवृत्ति हिस्टोग्राम के साथ, मूल्यों को विभाजित किया जाता है ताकि प्रत्येक पार्टीशन में डेटा टुपल्स की समान संख्या हो।
हिस्टोग्राम विश्लेषण एल्गोरिदम को प्रत्येक पार्टीशन पर पुनरावर्ती रूप से लागू किया जा सकता है ताकि एक बहु-स्तरीय कॉन्सेप्ट हायरार्की स्वचालित रूप से उत्पन्न हो सके, प्रक्रिया तब समाप्त होती है जब कॉन्सेप्ट स्तरों की पूर्व-निर्दिष्ट संख्या पहुंच जाती है।
न्यूनतम अंतराल आकार का उपयोग प्रति स्तर पुनरावर्ती प्रक्रिया को नियंत्रित करने के लिए भी किया जा सकता है। यह प्रत्येक स्तर पर प्रत्येक पार्टीशन की न्यूनतम चौड़ाई या न्यूनतम मूल्यों की संख्या निर्दिष्ट करता है।
एन्ट्रॉपी-आधारित डिस्क्रिटाइज़ेशन - एन्ट्रॉपी आमतौर पर उपयोग किया जाने वाला डिस्क्रिटाइज़ेशन उपाय है। इसे पहली बार क्लाउड शैनन द्वारा सूचना सिद्धांत और सूचना लाभ की अवधारणा पर अपने अग्रणी कार्य में पेश किया गया था।
एन्ट्रॉपी-आधारित डिस्क्रिटाइज़ेशन एक सुपरवाइज़्ड, टॉप-डाउन स्प्लिटिंग तकनीक है। यह अपनी गणना और स्प्लिट पॉइंट्स के निर्धारण (किसी विशेषता रेंज को विभाजित करने के लिए डेटा मूल्य) में क्लास वितरण डेटा का पता लगाता है।
क्लस्टर विश्लेषण - क्लस्टर विश्लेषण एक लोकप्रिय डेटा डिस्क्रिटाइज़ेशन विधि है। एक क्लस्टरिंग एल्गोरिदम को संख्यात्मक विशेषता, A, को A के मूल्यों को क्लस्टर्स या समूहों में विभाजित करके डिस्क्रिटाइज़ करने के लिए लागू किया जा सकता है।
क्लस्टरिंग A के वितरण के साथ-साथ डेटा बिंदुओं की निकटता पर विचार करती है, और इसलिए उच्च गुणवत्ता वाले डिस्क्रिटाइज़ेशन परिणाम उत्पन्न कर सकती है। क्लस्टरिंग का उपयोग या तो टॉप-डाउन स्प्लिटिंग रणनीति या बॉटम-अप मर्जिंग रणनीति का पालन करके A के लिए एक कॉन्सेप्ट हायरार्की उत्पन्न करने के लिए किया जा सकता है, जहां प्रत्येक क्लस्टर कॉन्सेप्ट हायरार्की का एक नोड बनाता है।
