數(shù)據(jù)挖掘及其應用(完整版)
【正文】 而，由于知識工程師所擁有知識的有局限性，所以對于獲得知識的可信度就應該打個折扣。至今已提出了多種分類算法，主要有決策樹、關(guān)聯(lián)規(guī)則、神經(jīng)網(wǎng)絡、支持向量機和貝葉斯、k－臨近法、遺傳算法、粗糙集以及模糊邏輯技術(shù)等。各種分類算法有其自身的優(yōu)劣，適合于不同的領(lǐng)域。當一個結(jié)點上所有樣本都屬于同一類或者沒有剩余屬性可以用來進一步劃分樣本時停止劃分，形成一個葉結(jié)點。算法c4．5和c5．0是ID3的擴展，它們將分類領(lǐng)域從類別屬性擴展到數(shù)值型屬性。如果出現(xiàn)類別重疊現(xiàn)象，貝葉斯分類算法采用兩種方法處理這種情況：一是選擇后驗概率最大的類別，二是選擇效用函數(shù)最大(或損失最小)的類別。此時，貝葉斯定理很有用，因為它允許我們用先驗概率P(c)、類條件概率P(x｜c)和P(x)來表示后驗概率。其工作機理是通過學習改變神經(jīng)元之間的連接強度。后向傳播通過迭代地處理一組訓練樣本，將每個樣本的網(wǎng)絡預測與實際知道的類標號比較，進行學習。 2．3．2優(yōu)缺點。由ARCS產(chǎn)生的聚類關(guān)聯(lián)規(guī)則用于分類，其準確率與C4．5差不多，精確度比C4．5高一點。第二步使用一種啟發(fā)式方法構(gòu)造分類，發(fā)現(xiàn)的規(guī)則按支持度和置信度遞減的優(yōu)先次序組織，用滿足新樣本滿足該樣本的第一個規(guī)則對其分類。 2．5．2遺傳算法。3．2．2數(shù)據(jù)挖掘技術(shù)也應用于銀行業(yè)，數(shù)據(jù)挖掘可以從大量的歷史記錄中發(fā)現(xiàn)或挖掘出這種關(guān)聯(lián)關(guān)系更深層次的、更詳盡的方面。一個自行車廠商想要通過廣告宣傳來吸引顧客。表1． 如節(jié)點“年齡=67”節(jié)點中，包含36個事例，其中28個沒有購買自行車，8個購買了自行車，所以藍色的條比紅色的要長。隨后自行車廠商就可以有選擇性的投遞廣告冊。數(shù)據(jù)挖掘技術(shù)是一個發(fā)展十分快的領(lǐng)域， 隨著對數(shù)據(jù)挖掘技術(shù)在各領(lǐng)域日益廣泛的應用，實現(xiàn)了數(shù)據(jù)資源共享及技術(shù)發(fā)展的跨域，從而大大提高了工作效率，并帶來巨大的成功。機械工業(yè)出版社。l 參考文獻[1].蘇新寧，楊建林，江念南。5．結(jié)束語本文總結(jié)了數(shù)據(jù)挖掘的定義、目標、相關(guān)領(lǐng)域及其一般方法，基于數(shù)據(jù)挖掘技術(shù)數(shù)據(jù)資料之豐富，現(xiàn)在在論文中提到的相關(guān)領(lǐng)域已有了一些數(shù)據(jù)挖掘技術(shù)的模型，限于篇幅不再一一列舉。在分類模型中，每個會員作為一個事例，居民的婚姻狀況、性別、年齡等特征作為輸入列，所需預測的分類是客戶是否購買了自行車。但是投遞廣告冊是需要成本的，不可能投遞給所有的超市會員。通過數(shù)據(jù)挖掘可以得到對不同行業(yè)的人、不同年齡段的人、處于不同社會層次的人的保險金該如何確定。遺傳學習開始時創(chuàng)建了一個由隨機產(chǎn)生的規(guī)則組成的初始群體，每個規(guī)則可以用一個二進制位串表示。 2．5其他分類方法 用于數(shù)據(jù)分類的方法還有：基于案例的推理分類法、遺傳算法等。若給定數(shù)據(jù)集中的樣本s％包含condset并且屬于類y，則規(guī)則的支持度為s。神經(jīng)網(wǎng)絡的主要缺點是用加權(quán)鏈連結(jié)單元的網(wǎng)絡所表示的知識很難被人理解、學習時間較長，僅適用于時間容許的應用場合；對于如網(wǎng)絡結(jié)構(gòu)等關(guān)鍵參數(shù)，通常需要經(jīng)驗方能有效確定。這種修改后向進行，即由輸出層，經(jīng)由每個隱藏層，到第一個隱藏層。神經(jīng)網(wǎng)絡分類過程可以分為訓練和分類兩個階段。先驗概率P(c)可以通過計算訓練集中屬于每個類的訓練記錄所占的比例很容易地估計。其理論基礎(chǔ)是貝葉斯定理，可用式2．2．[1]表示。 2．1．3優(yōu)缺點。 創(chuàng)建決策樹時，因數(shù)據(jù)中存在噪聲和孤立點，許多分枝反映的是訓練數(shù)據(jù)集中的異常。2．數(shù)據(jù)挖掘分類算法介紹 分類是用于識別什么樣的事務屬于哪一類的方法，可用于分類的算法有決策樹、關(guān)聯(lián)規(guī)則、神經(jīng)網(wǎng)絡、支持向量機和貝葉斯、k－臨近法、遺傳算法、粗糙集以及模糊邏輯技術(shù)等。訓練算法的主要目標是建立具有好的泛化能力的模型，該模型能夠準確地預測未知樣本的類別。數(shù)據(jù)的迅速增加與數(shù)據(jù)分析方法的滯后之間的矛盾越來越突出，人們希望在對已有的大量數(shù)據(jù)分析
研究報告相關(guān)推薦
鄂ICP備17016276號-1