摘要
针对将面向属性的归纳和粗糙集理论相结合的现有类化方法中存在的属性概化过重地依赖于阈值控制以及没有考虑属性动态变化的缺陷,提出了一种新的类化方法,即通过对分层类化方法的研究,在考虑最小信任度和最小支持率两因素的前提下,提出了粗粒度和细粒度区化方法.将设计的方法用于基于粗糙集理论的知识规则挖掘中,从玻璃碎片的动态数据库中提取了有效规则.交通肇事逃逸侦破系统的应用实践验证了方法的有效性.
Studied kind of new layered classification method. Under the banner of minimum support-degree and belief-degree.Presented the segmentation methods called large-granularity and little-granularity, and designed a layered classification method. The knowledge rules have been mined from historical & dynamic database of fragments of glass. The method has been tested by application examples of escape investigation of traffic accidents.
出处
《小型微型计算机系统》
CSCD
北大核心
2005年第3期461-465,共5页
Journal of Chinese Computer Systems
基金
辽宁省自然科学基金
关键词
粗糙集
知识规则
数据挖掘
区化
分层类化
逃逸侦破
rough set
knowledge rule
data mining
segmentation
layered classification
escape investigation