數(shù)據(jù)挖掘中的分類研究與應(yīng)用.pdf

1、數(shù)據(jù)挖掘中的一個(gè)重要研究課題是如何對(duì)數(shù)據(jù)集進(jìn)行分類.分類是根據(jù)己知訓(xùn)練數(shù)據(jù)的特征和分類結(jié)果，為每一個(gè)類找到一個(gè)合理的描述或模型，然后再用這些分類的描述或模型來對(duì)未知的新的數(shù)據(jù)進(jìn)行分類；目標(biāo)是構(gòu)造一個(gè)分類器，現(xiàn)在已經(jīng)有許多分類方法和技術(shù)用于構(gòu)造分類模型.
　　 貝葉斯分類方法和決策樹分類方法因?yàn)橛性鷮?shí)的數(shù)學(xué)統(tǒng)計(jì)理論基礎(chǔ)以及綜合先驗(yàn)信息和數(shù)據(jù)樣本信息的能力，使得它們理所當(dāng)然地其成為數(shù)據(jù)挖掘的研究熱點(diǎn).基于概率理論中貝葉斯公式的貝葉斯

2、分類器一直受到很大重視.貝式分類法是根據(jù)貝氏定理為基礎(chǔ)，用以計(jì)算未知類別的數(shù)據(jù)其屬于各分類類別的機(jī)率.本文對(duì)樸素貝葉斯方法NaiveBayes和樹狀貝葉斯網(wǎng)絡(luò)方法TAN的理論和實(shí)現(xiàn)方法進(jìn)行了詳細(xì)討論.
　　 在相當(dāng)長的時(shí)間里，決策樹也是非常流行的人工智能技術(shù).隨著數(shù)據(jù)挖掘技術(shù)的興起，決策樹作為一個(gè)構(gòu)建決策系統(tǒng)的強(qiáng)有力的技術(shù)在數(shù)據(jù)挖掘和數(shù)據(jù)分析過程中起著非常重要作用.數(shù)據(jù)挖掘中應(yīng)用決策樹主要是對(duì)所研究的事物進(jìn)行分類、預(yù)測以及數(shù)據(jù)的

3、預(yù)處理等.決策樹方法中，ID3 具有基礎(chǔ)性地位，對(duì)于學(xué)習(xí)和理解決策樹方法有著良好作用.ID3不能處理數(shù)值型數(shù)據(jù)，而其改進(jìn)算法C4.5 可以處理數(shù)據(jù)值型數(shù)據(jù)，所以比ID3 具有更為廣泛的適用空間.決策樹的分類結(jié)果能以直觀的樹狀結(jié)構(gòu)表達(dá)，可以從中得到一些有用的分類規(guī)則.
　　 數(shù)據(jù)預(yù)處理可以提高數(shù)據(jù)質(zhì)量，從而提高分類質(zhì)量.屬性選擇是對(duì)數(shù)據(jù)預(yù)處理的一種重要方法.屬性選擇是根據(jù)某些指標(biāo)選擇一個(gè)優(yōu)化屬性子集的過程.一個(gè)優(yōu)化的子集可以是屬性

4、數(shù)目最小的子集，也可以是具有最佳預(yù)測正確率的子集.一種好的屬性選擇算法可以對(duì)數(shù)據(jù)集進(jìn)行降噪和降維，對(duì)分類的正確率有著較大影響.其中屬性選擇方法CfsSubweEval和ConsistencySubsetEval是常用的兩種方法.對(duì)于文中涉及的四種分類算法，CfsSubweEval的效果總體好于ConsistencySubsetEval的效果.
　　 集成學(xué)習(xí)是一種新的機(jī)器學(xué)習(xí)方式，它使用多個(gè)學(xué)習(xí)器來解決同一個(gè)問題，能夠顯著地提高

5、學(xué)習(xí)系統(tǒng)的泛化能力.集成學(xué)習(xí)算法對(duì)分類正確率有著較大影響.本文對(duì)Bagging和AdaBoost 這兩種集成學(xué)習(xí)法進(jìn)行了研究，并得出AdaBoost的效果總體要好于Bagging的結(jié)論.
　　 文中采用數(shù)據(jù)挖掘平臺(tái)weka對(duì)上述算法進(jìn)行了實(shí)驗(yàn)和比較.
　　 數(shù)據(jù)挖掘已經(jīng)成為一個(gè)非?；钴S的研究領(lǐng)域，它的技術(shù)在醫(yī)學(xué)領(lǐng)域得到廣泛應(yīng)用，并形成了醫(yī)學(xué)數(shù)據(jù)挖掘這一重要研究分支.文中的最后用樸素貝葉斯NaiveBayes和決策樹C4.