模式识别与机器学习的一些算法只能处理离散属性值，而在现实生活中的很多数据具有连续的属性值，针对数据离散化的问题提出了一种无监督的方法。首先，使用K-means方法将数据集进行划分得到类别信息；然后，应用有监督的离散化方法对划分后的数据离散化，重复上述过程以得到多个离散化的结果，再将这些结果进行集成；最后，将集成得到的最小子区间进行合并，这里根据数据间的邻居关系选择优先合并的维度及相邻区间。其中，通过数据间的近邻关系自动寻求子区间数目，尽可能保持其内在结构关系不变。将离散后的数据应用于聚类算法，如谱聚类算法，并对聚类后的效果进行评价。实验结果表明，该算法聚类精确度比其他4种方法平均提高约33%，表明了该算法的可行性和有效性。通过该算法得到的离散化数据可应用于一些数据挖掘算法，如ID3决策树算法。
