高维度的数据强跳跃显露模式挖掘方法研究

针对经典的对照模式树挖掘方法仅能有效地挖掘低维度数据的强跳跃显露模式问题,提出了一种高维度的数据强跳跃显露模式挖掘方法.首先,设计了一种动态对照模式树结构存储已拓展的模式及其关键信息;然后,构造了一个初始动态对照模式树存储频繁项及其在正、负例上的二进制串;最后,开发了基于初始动态对照模式树的强跳跃显露模式挖掘算法.在高维度的肿瘤基因表达数据集上进行实验,结果表明:与经典的对照模式树方法及其改进后的方法相比,所提出的方法挖掘速度更快,有效处理的维度更高;在可接受的时间内,该方法能挖掘出一些对照模式树方法不能发现的重要的强跳跃显露模式.

基于跳跃显露模式挖掘算法的癌症分类

分类问题是数据挖掘中的一项重要课题,然而目前对于癌症数据的分类研究还相对较少。近年来提出的强跳跃显露模式SJEP是一种具有很强区分能力的新模式,对于癌症数据的分类具有明显的优势。为了使癌症数据的分类精确度得以进一步提升,本文引入集成学习的思想,对原有的Boosting算法做出一些改进,并将改进后的Boosting算法与SP-树分类算法相结合,提出一种以SP-树分类算法作为基学习算法的SP_Boost算法。