基于統(tǒng)計學習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、機器學習和人工智能的研究熱點，海量數(shù)據(jù)分類是應用訓練集構造一個分類器，應用這個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)計學習理論的數(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)增量分類算法時間復雜度較大等缺點，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合獲取樣本特征向量的方法及增量分類過程。仿真實驗結果表明，本文提出的算法在大量樣本參與分類的時候，能夠相對快速并且準確的完成分類任務，能夠給出一個相對準確的樣本分布情況。
　　 針對基于Skowron差別矩陣的屬性約簡算法存在的應用范圍受限、時間及存儲空間浪費和效率瓶頸等問題，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)有差別矩陣存儲空間大、生成效率低等缺點；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間和空間復雜度，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動態(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系的基礎上，提出了一種適用于決策表的增量式屬性約簡算法，實現(xiàn)了對屬性約簡結果的動態(tài)更新、維護和管理