一種連續(xù)屬性的多關(guān)系數(shù)據(jù)分類算法.pdf

1、數(shù)據(jù)挖掘是信息技術(shù)自然演化的結(jié)果，它是指從大量數(shù)據(jù)中挖掘出來隱含的未知的、有價值的模式或規(guī)律等知識的復雜過程。在這過程中，對數(shù)據(jù)的分類是數(shù)據(jù)挖掘領(lǐng)域研究的重要課題。目前用于分類的方法有很多種，如決策樹方法、關(guān)聯(lián)規(guī)則、貝葉斯網(wǎng)絡、遺傳算法、神經(jīng)網(wǎng)絡、粗糙集方法等等。分類方法以其算法的基礎理論清晰、易被人們理解以及容易轉(zhuǎn)換成分類規(guī)則等優(yōu)點而被廣泛研究與應用。 多關(guān)系數(shù)據(jù)挖掘MRDM（Multi-Relational Data Min

2、ing）的研究領(lǐng)域涉及多個學科，它在由多張表構(gòu)成的關(guān)系數(shù)據(jù)庫中進行知識發(fā)現(xiàn)。挖掘有復雜結(jié)構(gòu)化對象構(gòu)成的數(shù)據(jù)也屬于該研究范疇，因為在一個關(guān)系數(shù)據(jù)庫中要把這些目標數(shù)據(jù)進行標準化表達需要用到多張表。多關(guān)系數(shù)據(jù)挖掘旨在將一些已存在的并較為成熟的學科知識整合在一起，如歸納邏輯程序設計ILP（lnductive Logic Programming）、知識發(fā)現(xiàn)KDD（Knowledge Discovery of Database）、機器學習、關(guān)系數(shù)據(jù)

3、庫等等，以此來為挖掘多關(guān)系數(shù)據(jù)生成新的方法。而本文是將核函數(shù)和基于距離的方法相結(jié)合構(gòu)造一個新的算法。 因此，本文提出一種連續(xù)屬性的多關(guān)系數(shù)據(jù)分類算法。在數(shù)據(jù)庫中數(shù)據(jù)表中的元組數(shù)據(jù)有的是離散型的字符型；如人的名字、住址；而有的則是連續(xù)型的數(shù)值型，如人的身高、體重。本文僅針對連續(xù)屬性來考慮，采用這樣的策略是因為本文就可以用歐式距離公式來計算對應元組的距離。本文所提出的這個算法實際上也是一種變形的基于距離的方法，由于某類數(shù)據(jù)分布是會呈

4、現(xiàn)一定的規(guī)律，即屬于某一類數(shù)據(jù)就一定會分布在一起，通過計算這些元組內(nèi)對應屬性的距離就可以判斷這些元組是否屬于同一類。本文又借鑒了支持向量機的思想：一個二維的數(shù)據(jù)表，可以用一個表來表示，雖然是可以看清楚這些數(shù)據(jù)是什么關(guān)系，但不是很直觀，如果在笛卡爾坐標系來表示這些表中的數(shù)據(jù)，就可以很直觀地看到屬于同類數(shù)據(jù)在圖上呈現(xiàn)出來的分布是很有規(guī)律的，如果這些數(shù)據(jù)線性可分，用一條直線就能很好分開這些不同的點，否則不能用一條直線將其分開，但可以用曲線來將

5、不同類的點分開。對數(shù)據(jù)庫中不同的數(shù)據(jù)表，可以將數(shù)據(jù)表的屬性看成是N維空間的坐標軸，將數(shù)據(jù)表中的元組看成是N維空間中的一個點，然后再用一個球體來將某類數(shù)據(jù)包括在這個球內(nèi)。由于N維空間的情況很復雜，本文允許存在一些錯誤的分類，但這個錯誤率必須是在用戶所允許的范圍之內(nèi)，然后用這個球體的中心和這個球的半徑就可以表示這類數(shù)據(jù)。凡是到這個球心的距離小于或等于這個球半徑的點都屬于這個類。同時，本文將凡是滿足同類半徑可達的球體盡量將其合并。由于支持向量