版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、連續(xù)屬性離散化算法是數(shù)據(jù)挖掘和知識發(fā)現(xiàn)領域中非常重要的一部分,其性能的好壞直接影響到機器學習的精度和效率。大部分機器學習的工具是針對具有離散屬性值的數(shù)據(jù)集設計的,然而現(xiàn)實生活中的數(shù)據(jù)集往往包含連續(xù)屬性值(比如溫度,高度等),這給機器學習的效果帶來了影響,使其往往不能得到令人滿意的精度。因此在進行數(shù)據(jù)挖掘之前,通過離散化算法對數(shù)據(jù)集進行預處理是非常有必要的。
本文分析了現(xiàn)有的大部分離散化算法,并分別從算法時間復雜度,精度及效
2、率等方面進行了比較,最終選擇對CAIM算法進行改進。CAIM算法是一種全局的、靜態(tài)的、自上而下的有監(jiān)督離散化算法。相比于其它離散化算法,CAIM算法具有時間復雜度小,精度和效率相對較高的特點,但該算法存在著三個不足:首先,在離散化的過程中沒有考慮到屬性的重要性;其次,缺乏對決策表不一致率的考慮;最后,采用caim值作為離散判別式也有其不合理之處。這常常造成信息丟失,從而影響到機器學習的精度。鑒于上述三個缺點,本文提出了兩種改進的算法。本
3、文針對上述CAIM算法的前兩個缺點,提出了一種Improved CAIM離散化算法,該算法根據(jù)DSST差異相似集理論來度量屬性重要性,在考慮決策表不一致率的情況下對數(shù)據(jù)進行進一步的離散化。通過使用C4.5和支持向量機工具進行性能分析,相比于CAIM算法,本文提出的Improved CAIM算法得到了更高的分類識別率。針對CAIM算法形成離散區(qū)間過少導致機器學習得到的精度低的問題,提出了一種新的基于決策類和屬性依賴度的離散化算法--λ-C
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 量化屬性離散化算法研究.pdf
- 離散群體智能算法的研究與應用.pdf
- 離散差分演化算法的研究與應用.pdf
- 連續(xù)屬性離散化算法比較研究.pdf
- 離散制造企業(yè)車間調度算法的研究與應用.pdf
- 非結構化離散表面匹配算法研究.pdf
- 基于自適應遺傳算法的離散化方法及其應用.pdf
- 離散化算法統(tǒng)一框架與軟件平臺.pdf
- 網(wǎng)絡化離散制造資源分配模型與求解算法研究.pdf
- 森林優(yōu)化算法的改進及離散化研究.pdf
- 電網(wǎng)離散無功優(yōu)化算法的研究及應用.pdf
- 基于屬性離散化的貝葉斯分類算法及其應用研究.pdf
- 改進的模糊C均值聚類與連續(xù)屬性離散化算法研究.pdf
- 連續(xù)屬性離散化相關研究及應用.pdf
- 離散粒子群算法的改進及其應用研究.pdf
- 基于粗糙集的數(shù)據(jù)離散化算法研究.pdf
- 連續(xù)屬性離散化和LMS算法相關研究.pdf
- 可聽化算法與應用研究.pdf
- 同步化理論與離散Morse流的應用.pdf
- 離散猴群算法和混沌猴群算法及其應用.pdf
評論
0/150
提交評論