एक विशेषता असतत (discrete) होती है यदि इसमें संभावित मूल्यों की अपेक्षाकृत छोटी (सीमित) संख्या होती है जबकि एक सतत विशेषता को संभावित मूल्यों की बड़ी संख्या (अनंत) होने के रूप में माना जाता है।
दूसरे शब्दों में, एक असतत डेटा विशेषता को एक फ़ंक्शन के रूप में देखा जा सकता है जिसकी रेंज एक सीमित समूह है जबकि एक सतत डेटा विशेषता एक फ़ंक्शन है जिसकी रेंज एक अनंत पूरी तरह से क्रमबद्ध समूह है, आमतौर पर एक अंतराल।
डिस्क्रिटाइजेशन का उद्देश्य उन्हें कई अंतरालों में विभाजित करके एक सतत विशेषता द्वारा लिए जाने वाले संभावित मूल्यों की संख्या को कम करना है। डिस्क्रिटाइजेशन की समस्या के लिए दो तरीके हैं। एक है प्रशिक्षण वर्ग में उदाहरणों की कक्षाओं के कुछ ज्ञान के अभाव में हर विशेषता को क्वांटाइज़ करना - तथाकथित अनसुपरवाइज्ड डिस्क्रिटाइजेशन।
दूसरा है डिस्क्रिटाइज करते समय कक्षाओं को ध्यान में रखना - सुपरवाइज्ड डिस्क्रिटाइजेशन। पूर्व एकमात्र संभावना है जब क्लस्टरिंग समस्याओं से निपटना हो जहां कक्षाएं अज्ञात या गैर-मौजूद हों।
एक संख्यात्मक विशेषता को डिस्क्रिटाइज़ करने का स्पष्ट तरीका इसकी रेंज को पूर्वनिर्धारित संख्या के समान अंतरालों में विभाजित करना है: एक निश्चित, डेटा-स्वतंत्र यार्डस्टिक। यह आमतौर पर तब पूरा होता है जब जानकारी एकत्र की जाती है।
अनसुपरवाइज्ड डिस्क्रिटाइजेशन विधि में, यह उन भेदों को खराब करने का जोखिम उठाता है जो सीखने की प्रक्रिया में फायदेमंद साबित हुए होंगे, उन ग्रेडेशन का उपयोग करके जो बहुत कठोर हैं या, सीमा के प्रतिकूल विकल्प द्वारा, कई वर्गों के कई उदाहरणों को अनावश्यक रूप से एक साथ जोड़ देते हैं।
समान-चौड़ाई बिनिंग अक्सर उदाहरणों को बहुत असमान रूप से वितरित करती है
कुछ बिन में कई उदाहरण होते हैं जबकि अन्य में कोई नहीं होता। यह विशेषता की अच्छी निर्णय संरचनाओं को बनाने में मदद करने की क्षमता को गंभीर रूप से खराब कर सकता है। अंतरालों को कई आकारों के होने में सक्षम करना बेहतर है, उन्हें चुनना ताकि प्रत्येक में समान संख्या में प्रशिक्षण उदाहरण आएं।
इस विधि को समान-आवृत्ति बिनिंग के रूप में जाना जाता है, जो उदाहरणों के वितरण के आधार पर उस अक्ष के साथ पूर्वनिर्धारित कई बिन में विशेषता की रेंज को तोड़ती है जिसे कभी-कभी हिस्टोग्राम इक्वलाइजेशन के रूप में जाना जाता है क्योंकि यदि यह परिणामी बिन की सामग्री का एक हिस्टोग्राम ले सकता है तो यह अक्सर सपाट होगा। यदि यह कई बिन को एक संसाधन के रूप में देख सकता है, तो यह विधि इसका सर्वोत्तम उपयोग विकसित करती है।
समान-आवृत्ति बिनिंग उदाहरणों की कक्षाओं के लिए स्पष्ट है, और यह खराब सीमाएं उत्पन्न कर सकता है। उदाहरण के लिए, यदि एक बिन में कुछ उदाहरणों की एक कक्षा है, और अगले बड़े बिन में कुछ उदाहरणों की दूसरी कक्षा है सिवाय पहले के, जिसमें प्रारंभिक कक्षा है, तो निश्चित रूप से कक्षा विभाजनों का सम्मान करना और उस पहले उदाहरण को पहले बिन में शामिल करना समझ में आता है, समान-आवृत्ति संपत्ति का त्याग करके समरूपता के लाभ के लिए।
