基于統(tǒng)計(jì)學(xué)習(xí)理論的分類方法研究.pdf

1、海量數(shù)據(jù)分類一直是數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和人工智能的研究熱點(diǎn)，海量數(shù)據(jù)分類是應(yīng)用訓(xùn)練集構(gòu)造一個(gè)分類器，應(yīng)用這個(gè)分類器能夠完成后續(xù)分類工作。本文深入研究了兩種基于統(tǒng)計(jì)學(xué)習(xí)理論的數(shù)據(jù)分類算法，即樸素貝葉斯分類以及粗糙集分類的工作原理，并針對樸素貝葉斯分類算法的增量分類算法、基于粗糙集的屬性約簡算法等存在的一系列問題，提出了相應(yīng)的解決方法。
　　 針對樸素貝葉斯算法不具有增量分類能力及海量數(shù)據(jù)增量分類算法時(shí)間復(fù)雜度較大等缺點(diǎn)，提出一種基于

2、空間特征向量的增量貝葉斯算法，給出了將向量空間原理及空間歐氏距離結(jié)合獲取樣本特征向量的方法及增量分類過程。仿真實(shí)驗(yàn)結(jié)果表明，本文提出的算法在大量樣本參與分類的時(shí)候，能夠相對快速并且準(zhǔn)確的完成分類任務(wù)，能夠給出一個(gè)相對準(zhǔn)確的樣本分布情況。
　　 針對基于Skowron差別矩陣的屬性約簡算法存在的應(yīng)用范圍受限、時(shí)間及存儲(chǔ)空間浪費(fèi)和效率瓶頸等問題，通過提出一種濃縮布爾矩陣的概念，提出了一種基于濃縮布爾矩陣的屬性約簡算法：以布爾代數(shù)的形

3、式來解決現(xiàn)有差別矩陣存儲(chǔ)空間大、生成效率低等缺點(diǎn)；給出一種新的用于直接生成分辨函數(shù)最小析取范式的算法，有效改善了算法的時(shí)間和空間復(fù)雜度，從而提高了屬性約簡算法的效率；另外在約簡率上本文所提算法也有明顯的優(yōu)勢。
　　 針對上述所提出的屬性約簡算法不適應(yīng)動(dòng)態(tài)變化的對象集、不支持增量式約簡算法等問題，在深入分析新增對象與原決策表對象間的關(guān)系的基礎(chǔ)上，提出了一種適用于決策表的增量式屬性約簡算法，實(shí)現(xiàn)了對屬性約簡結(jié)果的動(dòng)態(tài)更新、維護(hù)和管理