প্রয়োগ্য ডেটা রেঞ্জের ব্যাপক বৈচিত্র্য এবং ডেটা মানারের ঘনশই আপডেটের কারণে নিউমেরিক্যাল অ্যাট্রিবিউটের জন্য কনসেপ্ট হায়ারার্কি ডিফাইন করা জটিল ও শ্রমসাধ্য। নিউমেরিক্যাল ডেটার জন্য কনসেপ্ট হায়ারার্কি জেনারেশনের বিভিন্ন পদ্ধতি নিচে দেওয়া হলো:
বিনিং (Binning) − বিনিং হলো একটি ডিফাইন করা বিনের সংখ্যার ওপর ভিত্তি করে টপ-ডাউন স্প্লিটিং টেকনিক। এই মেথডগুলো নিউমেরোসিটি রিডাকশন এবং কনসেপ্ট হায়ারার্কি জেনারেশনের জন্য ডিসক্রেটাইজেশন মেথড হিসেবেও ব্যবহার করা হয়। এই টেকনিকগুলো ফলস্বরূপ পার্টিশনগুলোর ওপর রিকার্সিভলি প্রয়োগ করা যায় কনসেপ্ট হায়ারার্কি তৈরি করতে। বিনিং ক্লাস ডেটা ব্যবহার করে না এবং তাই এটি একটি আনসুপারভাইজড ডিসক্রেটাইজেশন টেকনিক। এটি ইউজার-স্পেসিফাইড বিনের সংখ্যা এবং আউটলায়ারের উপস্থিতির ওপর সংবেদনশীল।
হিস্টোগ্রাম অ্যানালিসিস (Histogram Analysis) − বিনিংর মতো, হিস্টোগ্রাম অ্যানালিসিস একটি আনসুপারভাইজড ডিসক্রেটাইজেশন টেকনিক কারণ এটি ক্লাস ডেটা ব্যবহার করে না। হিস্টোগ্রাম একটি অ্যাট্রিবিউট, A-এর মানগুলো ডিসজয়েন্ট রেঞ্জে পার্টিশন করে যাকে বালতি বা বাকেট বলা হয়। সমান-প্রস্থ হিস্টোগ্রামে, উদাহরণস্বরূপ, মানগুলো সমান আকারের পার্টিশন বা রেঞ্জে পার্টিশন করা হয় প্রাইসের জন্য, যেখানে প্রতিটি বাকেটের প্রস্থ $10। সমান-ফ্রিকোয়েন্সি হিস্টোগ্রামে, মানগুলো এমনভাবে পার্টিশন করা হয় যাতে প্রতিটি পার্টিশনে একই সংখ্যক ডেটা টাপল থাকে।
হিস্টোগ্রাম অ্যানালিসিস অ্যালগরিদম প্রতিটি পার্টিশনে রিকার্সিভলি প্রয়োগ করা যায় একাধিক লেভেলের কনসেপ্ট হায়ারার্কি অটোমেটিক্যালি জেনারেট করতে, প্রক্রিয়ায় প্রি-স্পেসিফাইড কনসেপ্ট লেভেলের সংখ্যা পাওয়া পর্যন্ত।
প্রতি লেভেলে একটি মিনিমাম ইন্টারভাল সাইজও ব্যবহার করা যায় রিকার্সিভ প্রক্রিয়া কন্ট্রোল করতে। এটি প্রতিটি পার্টিশনের মিনিমাম প্রস্থ বা প্রতিটি লেভেলে প্রতিটি পার্টিশনের জন্য মিনিমাম মান সংখ্যা নির্দিষ্ট করে।
এন্ট্রপি-বেসড ডিসক্রেটাইজেশন (Entropy-Based Discretization) − এন্ট্রপি সাধারণত ব্যবহৃত ডিসক্রেটাইজেশন মেজার। এটি ক্লড শ্যানন দ্বারা ইনফরমেশন থিওরি এবং ইনফরমেশন গেইন কনসেপ্টσχর পথপ্রদর্শক কাজে প্রথমে পরিচয় করানো হয়েছিল।
এন্ট্রপি-বেসড ডিসক্রেটাইজেশন একটি সুপারভাইজড, টপ-ডাউন স্প্লিটিং টেকনিক। এটি ক্লাস ডিস্ট্রিবিউশন ডেটা এক্সপ্লোর করে তার কম্পিউটেশন এবং স্প্লিট পয়েন্টস (অ্যাট্রিবিউট রেঞ্জ পার্টিশন করার জন্য ডেটা মান) নির্ধারণে।
ক্লাস্টার অ্যানালিসিস (Cluster Analysis) − ক্লাস্টার অ্যানালিসিস একটি জনপ্রিয় ডেটা ডিসক্রেটাইজেশন মেথড। একটি ক্লাস্টারিং অ্যালগরिदম একটি নিউমেরিক্যাল অ্যাট্রিবিউট, A, ডিসক্রেটাইজ করার জন্য প্রয়োগ করা যায়, A-এর মানগুলো ক্লাস্টার বা গ্রুপে পার্টিশন করে।
ক্লাস্টারিং A-এর ডিস্ট্রিবিউশন, valamint ডেটা পয়েন্টের নিকটতা বিবেচনা করে, এবং তাই উচ্চ-গুণমানের ডিসক্রেটাইজেশন ফলাফল উৎপন্ন করতে পারে। ক্লাস্টারিং A-এর জন্য একটি কনসেপ্ট হায়ারার্কি জেনারেট করতে ব্যবহার করা যায় είয়ার টপ-ডাউন স্প্লিটিং স্ট্র্যাটেজি বা বটম-আপ মার্জিং স্ট্র্যাটেজি অনুসরণ করে, যেখানে প্রতিটি ক্লাস্টার কনসেপ্ট হায়ারার্কির একটি নোড তৈরি করে।
