一种基于泛化的在线分类规则挖掘算法

分类规则挖掘是数据挖掘中一项重要的挖掘任务,现存的分类算法对小数据集非常有效,但如果直接作用于大型的现实数据库,效率不能令人满意,研究了一种基于泛化的分类算法,能够对数据库进行直接的在线分类规则挖掘。     

一种基于Rough集的缺省规则挖掘算法

Rough集方法是一种处理不确定或模糊知识的重要工具,对基于Rough集理论的缺省规则挖掘算法进行研究,在引入规则支持度概念后,提出了一种基于Rough集的缺省规则挖掘算法MDRBR。实验结果表明,该算法能较好地过滤噪音,提高规则的挖掘效率。     

一种基于粗集理论的分类规则挖掘的实现方法

研究各种高性能和高可扩展性的分类算法是数据挖掘面临的主要问题之一。基于粗集理论的分类规则挖掘是一种重要的方法,在分析有关算法的基础上提出一种改进方法,并通过实例证明了该方法的效率有所提高。此外,还提出了一种分类规则约简方法,使挖掘的结果更简洁、更易理解。     

挖掘多支持率分类规则的虚拟投影算法

本文首先提出了一种挖掘频集的高效算法PP。它采用了一种基于树的模式支持集表示，避免了反复扫描数据库和递归建造个数与频繁模式数相同的模式支持集，其效率比Apriori和FPGrowth高1—3个数量级。PP被进一步扩展成发现分类规则的有效算法CRM-PP。CRM-PP将多支持率剪裁集成到频集发现阶段，将二阶段挖掘法改进为单阶段挖掘法。CRM-PP的效率也比基于Apriori和FPGrowth的二阶段算法高1—3个数量级。     

一种基于关联规则挖掘的分类规则挖掘算法

本文根据关联规则和分类规则的概念与表示形式,指出在关联规则挖掘过程中如果指定挖掘与一个确定的项相关联,那么就是分类规则挖掘了,论述了分类规则是特殊情况下的关联规则,并指出在这种特殊情况下,关联规则所具有的特征;然后根据这一论述,提出了一种在关联规则挖掘算法中利用限制条件概率分布来发现分类规则的算法。     

一种高效的关联规则挖掘算法研究

一般关联规则挖掘算法分为两步：第一步是发现频繁项目集；第二步是利用频繁项目集产生关联规则。文章讨论了现今关联规则挖掘算法的特点和不足，同时提出一种效率更高的挖掘算法。与其它算法不同的是，该算法侧重于知识领域的使用和关联规则系统应用的预备。     

一种基于Rough集的兴趣缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确，不完全与不相容知识的数学方法，从不一致决策表中快速，有效地挖掘出缺省规则是决策规则挖掘研究的一个热点，文中引入了决策规则的相似度概念，并提出了基于Rough集的兴趣缺省规则挖掘算法（IDRMA），依据IDRMA算法对决策规则进行合理的分类，可获取用户的兴趣缺省规则。     

空间分类规则挖掘的一种决策树算法

空间分类规则挖掘是空间数据挖掘研究的一个重要领域。文章提出一个空间分类规则挖掘问题，并为解决该问题介绍了一种空间分类规则挖掘的决策树算法。     

基于决策表的加权决策规则挖掘算法

决策规则是一种重要的知识表示方式，粗糙集理论是一种重要的数据挖掘方法。因此，随着对粗糙集理论的深入研究，利用粗糙集进行决策表中的决策规则挖掘便成了一个热点课题。通过对规则支持度提出新的定义，对现有的模型进行了扩展，并由此提出了一种新的决策规则挖掘算法，实验结果表明了其有效性。     

挖掘关联规则中Apriori算法的一种改进

对挖掘关联规则的Apriori算法关键思想以及性能进行了研究。给出了该算法的一个改进算法，该改进算法提高了原算法的性能。     

一种基于GEP的分类规则挖掘算法

基于一种新的自动程序设计方法基因表达式程序设计（GEP），通过设计适应函数、初始化群体的优化、增加新的遗传算子以及采用演化策略中的（λ+μ）淘汰策略等对原始GEP算法进行有效的改进，设计出一种新的数据挖掘算法。采用UCI机器学习知识库中的数据集对该算法进行了实验，并通过与C4.5及文献[3]的比较，检验了该算法的准确性。     

基于决策树的协同进化分类算法研究

针对当前分类算法还存在的诸如伸缩性不强、可调性差、缺乏全局优化能力等问题,该文提出了一种有效的用于数据挖掘分类任务的方法--基于决策树的协同进化分类算法.实验结果表明该方法获得了更高的预测准确率,产生了更小的规则集.     

基于决策树的协同进化分类算法研究

针对当前分类算法还存在的诸如伸缩性不强、可调性差、缺乏全局优化能力等问题,该文提出了一种有效的用于数据挖掘分类任务的方法——基于决策树的协同进化分类算法。实验结果表明该方法获得了更高的预测准确率,产生了更小的规则集。     

关联规则和分类规则挖掘算法的改进与实现

对Apriori关联规则挖掘算法提出了一种改进方法，使其可以有效地压缩数据规模，提高了原Apriori算法的执行效率。此外，还对OCI分类规则挖掘算法提出了改进，扩展了该算法的适用范围。同时，该采用这两个改进算法实现了一个数据挖掘原型系统。     

基于差别矩阵启发式决策表属性约简算法

属性约简是粗糙集理论研究的核心内容之一,足知识获取的关键步骤.针对大规模数据集,基于决策表差别矩阵属性约简不具备可操作性缺点;以及基于差别矩阵属性频度的约简算法没有考虑到差别矩阵元素中属性个数多少的缺陷.基于差别矩阵元素的基数越小,其属性越重要的思想,按照基数由小到大的顺序,利用矩阵中具有相同基数的矩阵元素的簇集中属性出现的频度,确定属性的重要度,提出一种快速搜索属性约简算法,能快速搜索到属性的最优或次优约简.实验结果表明算法是可行、有效的.     

基于决策算法的残缺数据样本集补全方法

数据样本集作为人工智能不可缺少的部分，应是全面的，有效的集合。当所提供的数据样本集残缺不全时，会影响人工智能的有效应用，针对这一问题，该文提出了一种基于决策算法的数据样本集补全方法，能科学、正确、有效地补全数据样本集。为提高人工智能的决策推理铺平了道路。     

一种基于决策树的快速关联规则挖掘算法

本文对关联规则的挖掘问题进行了深入研究.在总结现有算法优缺点的基础上,提出了一种新的基于决策树的快速关联规则挖掘算法(RABDT),结合决策树的构造过程,给出了算法的原理和实现步骤,并通过实验对比验证了算法的有效性.     

一种基于多元组决策表的缺省规则挖掘算法

Rough集理论提供了一种新的处理不精确、不完全与不相容知识的数学方法。从不一致决策表中快速、有效地挖掘出缺省规则是决策规则挖掘研究的一个热点。该文改进了MDRBR算法,引入了广义支持度概念,并提出了一种基于多元组决策表的缺省规则挖掘算法-MTMDRBR算法,有效地解决了不一致多元组决策表的缺省规则挖掘问题,具有重要的实用意义。     

基于改进区分表的核属性约简算法

知识约简是一个NP难问题,在众多知识约简方法中,核属性基本上作为属性约简的初始解,这样就能有效地减小约简算法在属性空间中的搜索范围,在一定程度上加速了知识约简的进行.然而,核属性解基本上是利用Hu的分辨矩阵法求得的.结合Hu的分辨矩阵算法,讨论了Hu以及Wroblewaski区分表算法中存在的问题,改进了区分表的定义并结合Ye方法提出了基于区分表核属性约简算法,既克服了分辨矩阵方法的缺陷,又避免了区分表算法中存在的问题.实验结果表明该算法能有效求出决策系统的属性核.     

一种基于重构相容决策表的属性约简算法

基于正区域的属性约简是目前最常用的一类约简算法。现实中的决策表有可能存在不一致的对象。另外,在约简过程中随着属性个数的减少,也有可能产生新的不一致对象。对于基于正区域的约简算法来说,不一致的对象并没有提供任何有用的信息,删除不一致的对象不会改变正区域的计算结果以及最终的约简结果,而且可以显著提高算法的效率。然而现有的基于正区域的约简算法并没有考虑到这个问题,它们采用论域中的所有对象来计算正区域并得出约简结果。针对这一问题,定义了重构相容决策表和重构相容决策子表的概念。引入这两个概念的目的是在约简过程中删除初始决策表中的不一致对象,从而获得一个相容决策表。借助于这两个概念,提出了一种新的基于正区域的属性约简算法。在真实数据集上的实验表明,与传统的算法相比,该算法能够获得较小的约简结果和较高的分类精度,并且具有相对较低的时间复杂度。