數(shù)據(jù)挖掘中的分類與預(yù)測模型的研究.pdf

1、機(jī)器學(xué)習(xí)的方法在數(shù)據(jù)挖掘領(lǐng)域有廣泛的應(yīng)用。在當(dāng)今的機(jī)器學(xué)習(xí)領(lǐng)域，人們經(jīng)常采用多預(yù)測模型的方法以提高預(yù)測的準(zhǔn)確性。所有這些多預(yù)測模型方法可以歸為兩類：(1)專家方法 (2)集成方法。聚類方法在空間數(shù)據(jù)挖掘中有廣泛的應(yīng)用。應(yīng)用于空間數(shù)據(jù)挖掘的聚類方法包括劃分方法、層次方法、基于密度的方法等。本文根據(jù)應(yīng)用于空間數(shù)據(jù)挖掘的聚類方法的基本要求，提出了一種基于分布的聚類算法DBCSD。本文改進(jìn)了Adaboost.M2算法，給出了具有屬性

2、選取的適應(yīng)性屬性推進(jìn)方法，并且將該方法應(yīng)用于空間推進(jìn)中?？焖賙-NN分類器方法可以顯著減少計算量。數(shù)據(jù)約簡對于大型分布式數(shù)據(jù)庫的數(shù)據(jù)挖掘也是非常有用的。在當(dāng)今的數(shù)據(jù)挖掘領(lǐng)域中，在分布式環(huán)境中學(xué)習(xí)的工作一般有兩種方式：一種是將所有數(shù)據(jù)移往一個中心以進(jìn)行進(jìn)一步處理；另外一種是對各地的數(shù)據(jù)分別產(chǎn)生預(yù)測模型，然后通過標(biāo)準(zhǔn)的機(jī)器學(xué)習(xí)方法進(jìn)行移動和結(jié)合。隨著網(wǎng)絡(luò)系統(tǒng)的出現(xiàn)以及數(shù)據(jù)量不斷增加，前一種方法太昂貴，后一種方法太不精確?？s小數(shù)據(jù)庫

3、的規(guī)模，降低其維數(shù)，同時又不丟失可以抽取的信息，這樣可以為更有效、更精確的集中學(xué)習(xí)加速數(shù)據(jù)轉(zhuǎn)移。數(shù)據(jù)約簡通常采用步進(jìn)采樣技術(shù)，本文提出了一種采用動態(tài)規(guī)劃技術(shù)來計算采樣schedule的新方法。目前的機(jī)器學(xué)習(xí)算法，一般都具有很高的計算復(fù)雜性，同時要求所有數(shù)據(jù)駐留主存，顯然這對于大多數(shù)實際的數(shù)據(jù)挖掘應(yīng)用來說是不能接受的。所以在本文中，我們將探討在大型以及物理上分布的數(shù)據(jù)集上進(jìn)行數(shù)據(jù)挖掘的方法。同時提出了在分布式環(huán)境中進(jìn)行分類和預(yù)測

4、的方法。我們提出了一種基于聚類方法的對集成中分類器進(jìn)行剪枝的新方法。為了對分類器進(jìn)行剪枝，采用分布分類器權(quán)重的方法。另外，我們設(shè)計了一種利用“最獨(dú)立”分類器建立樹的深度優(yōu)先算法。該剪枝方法表明，通過選擇一個神經(jīng)網(wǎng)絡(luò)分類器的最優(yōu)子集，我們有可能得到與整個集成接近甚至更好一點(diǎn)的泛化效果。一般來說，神經(jīng)網(wǎng)絡(luò)能夠產(chǎn)生相當(dāng)精確的模型。然后，這種模型都隱藏在“黑箱”中，雖然可以用來預(yù)測，但是對理解模型中變量之間的關(guān)系沒有幫助。遺傳算法是