基于关联规则和拓扑序列的分类器链方法

在分类器链方法中,如何确定标签学习次序至关重要,为此,提出一种基于关联规则和拓扑序列的分类器链方法 (TSECC).首先结合频繁模式设计了一种基于强关联规则的标签依赖度量策略;接下来通过标签间依赖关系构建有向无环图,对图中所有顶点进行拓扑排序;最后将得到的拓扑序列作为分类器链方法中标签的学习次序,对每个标签的分类器依次迭代更新.特别地,为减少无标签依赖或标签依赖度较低的“孤独”标签对其余标签预测性能的影响,将“孤独”标签排在拓扑序列之外,利用二元关联模型训练.在多种公共多标签数据集上的实验结果表明, TSECC能够有效提升分类性能.

基于关联规则的ABN分类器构造

NaiveBayes分类建立在贝叶斯理论基础上,应用极为广泛,它采用类条件独立假设对贝叶斯理论进行了近似。BayesianNetwork则在这一基础上采用图形模型弥补了独立假设的不足,同时揭示出分类过程中会导致NP问题的出现。本文采用一种折衷的方法--联合关联规则与ABN分类技术构造贝叶斯分类器。它弥补了独立假设的不足,同时也避免了解决NP问题。最后,本文用实验结果展示它在多个领域远远优于NaiveBayes分类器。

基于关联规则的贝叶斯网络分类器

关联规则分类器(CBA)利用关联规则来构造分类算法,但其没有考虑分类问题中的不确定性。提出一种基于关联规则的贝叶斯网络分类算法。该算法利用关联规则挖掘算法提取初始的候选网络边集,通过贪心算法学习网络结构,得到比经典的贝叶斯网络分类器TAN更好的拓扑结构。通过在15个UCI数据集上的实验结果表明,该算法取得了比TAN,CBA更好的分类性能。

基于SVM分类器的动态关联规则趋势度挖掘方法

提出一种基于兼容性特征向量SVM分类器的动态关联规则趋势度的挖掘方法。首先,利用动态关联规则的趋势度的挖掘方法挖掘出类关联规则集;其次,利用SVM算法对高复杂数据的优势构建基于兼容性特征向量的分类器所获得的进行分类。通过理论和实例分析,用该方法得到的分类规则与传统挖掘方法相比,复杂度低,且有效提高了分类精度。

提取有效规则的关联分类算法

针对关联分类算法产生的规则普遍存在分类器分类精度、效率低的问题,提出了一种提取有效规则的关联分类算法———ACDER算法.首先定义了剩余支持度和剩余置信度,然后通过计算规则剩余支持度和剩余置信度建立了分类器并进行剪枝,以达成对分类尽量少且最有效的规则构成分类器,确保分类器中不存在任何冗余规则和冲突规则.在8个数据集上的测试结果表明,所提算法的平均分类精度比关联规则算法提高了4.15%,而在所有数据源分类器上的规则数却减少了54%.

基于增强关联规则的医学图像分类新方法

由于乳腺X光图像的复杂性,直接从图像中看出肿瘤及其良、恶性质是很困难的,因此建立高效的肿瘤自动诊断系统非常必要。文中将关联规则分类器和粗糙集理论相结合构造了增强关联规则分类器(EAC),应用于乳腺X光图像分类。实验结果表明,EAC的分类精确度可达到77.48%,比单独使用关联规则的分类精确度(69.11%)要高近10%,同时规则数也明显减少。

关联规则的朴素贝叶斯分类结构优化仿真

朴素贝叶斯分类器要求属性变量间相互独立,此时的分类准确率和效率是很高的,但是不满足该条件时分类性能就会受很大影响。针对属性变量间不相互独立造成分类性能低这一问题,借助于关联规则挖掘,提出一种优化朴素贝叶斯网络结构的方法。首先,预置合适的支持度和置信度挖掘强关联规则,找到属性变量、分类变量间的共现关系;然后,根据关联规则对属性变量进行约减,在朴素贝叶斯分类结构基础上做节点和边的增减;最后,分别通过增边、约简和混合优化得到三种结构模型。对比仿真实验表明,增边可以有效提高分类准确率,节点和边的约减可以有效提高分类效率。

基于模糊关联规则挖掘的模糊入侵检测

论文把模糊关联规则挖掘算法引入到网络的入侵检测,利用该算法从网络数据集中提取出具有较高可信性和完备性的模糊规则,并利用这些规则设计和实现用于入侵检测的模糊分类器。同时,针对模糊关联规则挖掘算法,利用K-means聚类算法建立属性的模糊集和模糊隶属函数,并提出了一种双置信度算法以增加模糊规则的有效性和完备性。最后,给出了详实的实验过程和结果,以此来验证提出的模糊入侵检测方法的有效性。

基于频繁2-项集的贝叶斯分类器

针对NB分类方法中过于严格的独立性假设,应用频繁2-项集为分类测度,通过放宽独立性假设达到改善分类性能的目的.在训练阶段使用类似Apriori关联规则发现算法挖掘并建立频繁2-项集库,当测试新文档时,文档特征通过竞争搭配生成基于测试文档的频繁2-项集序列,优先选择类词频率和置信度综合评分最高的频繁2-项集进入概率估算过程,并用频繁2-项集的综合评分置换NB的单项特征概率估计.在不同数据集的实验中显示,基于频繁2-项集的贝叶斯分类器(TIB)的分类精度整体上好于NB分类器,是一种有效的分类方法.

基于等价类规则树的高效关联规则挖掘算法

传统的类关联规则挖掘方法在挖掘完整的规则数据集时往往需要消耗很长的时间。为了解决这个问题,提出一种高效的基于等价类规则树的类关联规则挖掘算法。首先,通过分析等价类规则树挖掘类关联规则算法存在的耗时问题,设计一个树结构存储数据集的频繁项集;接着,基于这棵树推导出一些修正树上节点和减少节点信息计算量的定理;最后,利用这些定理得到一个有效的适用于挖掘类关联规则的算法。实验结果表明,与其他较为先进的基于等价类规则树的关联规则挖掘算法相比,所提算法更加高效。

基于Apriori算法的医学分类器研究

基于关联分类的数据挖掘在医学临床上得到了广泛应用,但传统算法在进行医学挖掘时却出现选项集大小的制约、项的位置、关联规模过大等问题。针对传统关联分类算法在医学数据挖掘上的这些不足,提出了一种Apriori算法的优化,算法通过加入最大支持度及最小支持度和项出现位置的约束有效地在算法执行前和算法执行过程中删除了冗余模式和规则,满足医学分类要求,提高了医学分类的有效性,并且通过Apriori-gen函数的改进提高了算法运行效率。最后用仿真实验验证了上述优化措施。

基于模糊关联的不平衡数据分类算法研究

由于信息时代数据量的爆炸式增加,高精度分类海量数据中的稀有种类数据是数据挖掘领域研究的热点。为提升不平衡数据集分类精度,深入研究基于Python的不平衡分类数据模糊关联混合算法,基于不平衡数据爬虫得到不平衡分类数据,采用AdaBoost.M1W集成学习算法训练不平衡数据集,从分类精度、分类器效率和分类器规模3方面进行对比。仿真实验结果表明,所提算法在自然不平衡数据集和人工不平衡数据集都具有较高精度,分类性能较优。

一种新的多类别多标签关联分类方法的研究

在本文中,我们通过对比现有的多标签分类和关联规则的分类,提出一种新的分类方法多类别多标签关联分类,与其他分类方法相比较,它有较强的竞争力并且是可伸缩的。

一种融合情感规则与机器学习的情感分类方法

针对评论型长文本的情感倾向性问题,提出了一种融合情感规则与机器学习的分类方法.基于情感规则得出评论的情感得分,该方法将文本分解为一组子句,以词汇为基本颗粒进行分数计算,得出最佳位置权重系数.同时,不同类型句式共归纳出4类关联词与之对应.将所得权重系数与关联词得分相结合,总结出情感计算公式.然后将所得情感得分作为特征融合到机器学习分类器的输入矩阵中,构造最优情感分类器.实验所得最优分类器准确率为0.979,高于同类算法.

融合BiLSTM-CBA组合模型的高铁车载设备故障诊断

为提高高铁车载设备在运营维护过程中数据利用率,以CRH2型与CRH3型动车组列车中最具代表性的CTCS3-300T型车载设备的故障文本数据为例,提出一种将双向长短时记忆网络(BiLSTM)与关联规则分类器(CBA)技术相结合的车载设备故障诊断模型。首先,该模型通过Word2vec工具对车载设备故障文本进行词向量训练;其次,针对故障数据分布不平衡的问题,通过合成少数类过采样技术(SMOTE)算法,自动生成小类别文本向量数据;然后,利用BiLSTM获取故障文本特征;最后,采用CBA算法实现车载设备故障诊断,通过试验分析某铁路局近5年的车载故障文本数据。结果表明:该模型使故障诊断的精确率和召回率分别达到95.66%和96.29%,相较于未采用SMOTE算法的模型,其召回率提升11.77%;该模型能够保证整体分类准确率,同时,也具备较好的小类别分类性能。

基于属性分类建模的入侵检测方法

针对传统入侵检测算法忽略数据属性间的类别特征,提出基于属性分类建模的入侵检测系统(ACBM-IDS)。将数据按属性划分为离散和连续两类,针对离散属性数据以关联规则算法为基础挖掘各类别的最长最大支持度项集,结合稳定性对项集进行加权后构成离散属性判定模型;针对连续属性数据,经归一化后训练Softmax分类器作为连续属性判定模型;将两个模型线性组合并分配不同权重,形成最终的入侵检测模型。通过在NSL-KDD数据集上与多种传统机器学习方法进行对比实验,实验结果表明,ACBM-IDS的方法在精确率、召回率以及F值上均优于其它方法,展现出良好的入侵检测性能。

应用于音乐节目分类的Apriori挖掘算法设计

传统Apriori挖掘算法需多次扫描数据库、多次连接频繁项集,导致挖掘效率较低,为此对Apriori挖掘算法加以改进,设计一种新的Apriori挖掘算法用于音乐节目分类。改进的Apriori挖掘算法采用莱特准则对音频数据进行野值与噪声平滑处理,改进Apriori挖掘算法的音频数据库映射令两个线性表分别负责音频数据存储和对应项存储,音频数据库扫描次数降为一次;改进Apriori挖掘算法的连接次数无需对不具备交运算能力的元素进行交运算操作,减少频繁项集连接次数。基于改进频繁项集Apriori挖掘算法挖掘频繁项集、生成音频数据关联规则,基于关联规则集构建分类器,实现音乐节目分类。实验结果显示,改进Apriori挖掘算法用于音乐节目分类的效率优势突出,准确度高。

结合测度整合和AWCBA算法的个人信用评估研究

在个人信用评估领域,对个人信用等级的预测是最具有挑战性的。提高对个人信用等级预测的准确度可以避免大量死账坏账的出现。然而传统的个人信用评估模型假设全部属性都具有相同的重要性,并且使用单一测度进行规则的剪枝和预测,这些个人信用评估模型往往太主观,不能取得较好的分类效果。该研究结合测度整合和(Adaptive Weighted Classification Base of Association,AWCBA)算法构建了个人信用评估模型,对客户基础属性进行自适应化加权,并引用了支持度、置信度和卡方测度的调和均值作为分类依据,实现个人信用等级的分类,与其他算法相比,AWCBA算法预测准确度比其他算法都要高。

数据挖掘技术及其在地学中的应用

数据挖掘 (DataMining)是一个极具有创新性的领域 ,其在天文、商业等领域得到了广泛的应用 ,取得了一系列重要的应用成果 ,它在地学领域的应用潜力越来越受到人们的重视。概括了数据挖掘的 6种模式 ,2种工具 ,7种方法 ,探讨了其在地学中应用的前景和意义。利用数据挖掘技术 ,人们可以从已获得的大量数据中提取出可理解的模式 ,从而有效地认识地学信息中所隐藏的地质规律 ,发现新知识。同时数据挖掘技术的量化处理方法可以增强分析和解决地学问题的客观性 ,减少随意性。

试论数据挖掘技术在旅游营销中的应用

本文试从关联规则用于交叉营销、分类器和聚类用于市场细分两个方面探讨数据挖 掘技术在旅游营销中的应用。