ในทางสถิติและการเรียนรู้ของเครื่องจักรการแบ่งช่วง (Discretization)หมายถึงกระบวนการแปลงหรือแบ่งคุณลักษณะ คุณสมบัติ หรือตัวแปรต่อเนื่องให้เป็นคุณลักษณะ / คุณสมบัติ / ตัวแปร/ ช่วง ที่ไม่ต่อเนื่องหรือ เป็นนามธรรมซึ่งมีประโยชน์ในการสร้างฟังก์ชันความน่าจะเป็น – โดยเฉพาะอย่างยิ่งในการประมาณความ หนาแน่น การแบ่งช่วง เป็นรูปแบบหนึ่งของการแบ่ง ช่วง โดยทั่วไป และยัง เป็นรูปแบบหนึ่งของ การจัดกลุ่ม (binning ) เช่น ในการสร้างฮิสโตแกรมเมื่อใดก็ตามที่ข้อมูลต่อเนื่อง ถูกแบ่งช่วง จะมี ข้อผิดพลาดจากการแบ่งช่วง อยู่เสมอ เป้าหมายคือการลดปริมาณข้อผิดพลาดนั้นให้เหลือในระดับที่ถือว่า น้อยมากจน ไม่สำคัญสำหรับวัตถุประสงค์ใน การสร้างแบบจำลอง

โดยทั่วไป ข้อมูลจะถูกแบ่งเป็นส่วนย่อยที่ มีความยาว/ความกว้างเท่ากัน Kส่วน (ช่วงเวลาเท่ากัน) หรือคิดเป็น K% ของข้อมูลทั้งหมด (ความถี่เท่ากัน) ^{[ 1 ]}

กลไกสำหรับการแบ่งข้อมูลต่อเนื่อง ได้แก่ วิธี MDL ของ Fayyad & Irani ^{[ 2 ]}ซึ่งใช้ข้อมูลร่วมกันเพื่อกำหนด bin ที่ดีที่สุดแบบวนซ้ำ CAIM, CACC, Ameva และอื่นๆ อีกมากมาย^{[ 3 ]}

เป็นที่ทราบกันดีว่าอัลกอริธึมการเรียนรู้ของเครื่องจำนวนมากสามารถสร้างแบบจำลองที่ดีขึ้นได้โดยการแบ่งคุณลักษณะต่อเนื่องออกเป็นส่วนย่อย^{[ 4 ​​]}

นี่คือรายชื่อซอฟต์แวร์บางส่วนที่ใช้ขั้นตอนวิธี MDL

• เครื่องมือdiscretize4crf ออกแบบมาเพื่อใช้งานร่วมกับ CRF ที่นิยม ใช้กัน ( C++ )
• mdlpในแพ็กเกจ discretization ของ R
• แบ่งส่วนย่อยในแพ็กเกจ RWeka ของ R

• การประมาณความหนาแน่น
• การแก้ไขความต่อเนื่อง