一种改进的应用于噪声数据中的KNN算法

基于实例的KNN算法不可避免地要依赖于数据的质量,但原始数据含有噪声,因而KNN算法的结果势必会因为数据中的噪声而受到严重的影响。事实上,大多噪声都服从一定的模型,而且模型一般是已知的。充分利用数据中的噪声模型,以减小噪声对KNN算法结果的影响。通过实验结果表明该方法是有效的。     

基于预算约束下的分类学习

根据用户所能提供的资金和时间预算约束,针对现实中存在问题的需要,使用Lazy Decision Tree作为基本的分类方法,并给出了新的分裂属性选择标准,建立基于代价敏感的分类器。该分类器用多维代价取代前人工作中将多维代价转换成一维代价方法,在给定二维预算约束下,最大限度地减小误分类代价,获得相对最优的分类器。该分类器以实际应用为背景,具有很强的实用价值。实验证明,该方法是切实可行并有效的。     

负增量式关联规则更新算法

模式维护是数据挖掘中一个具有挑战性的任务.现有的增量式关联规则更新算法主要解决两种情况下的维护问题：一是最小支持度不变,而数据量增加;二是数据量不变,而改变最小支持度.本文提出了一种负增量关联规则更新算法.实验表明,该算法是有效的.     

含缺省属性值的数据中的规则发现算法

根据用户定义的主观重视程度,综合考虑属性的缺省值情况以及信息系统中各属性的属性值个数,确定模式的综合重要度,进而得出模式的最小支持度.另外,提出剪枝技术剪除无意义的频繁项集,仅挖掘用户感兴趣的规则.实验证明该方法是有效的.