CBA分类算法的一种改进

CBA算法是将关联规则挖掘与分类技术相结合的一种分类算法,在许多领域中得到了广泛应用。针对CBA处理海量数据效率低的缺点,提出了一个改进的CBA算法。该算法将粗糙集理论应用到CBA算法中,对决策表进行属性约简,提高了分类关联规则的生成效率;并应用PEP(pessimistic error pruning)方法对候选规则进行剪裁。实验结果表明,该算法比CBA具有更高的分类效率和准确度。

一个高效的KNN分类算法

KNN算法是数据挖掘技术中比较常用的分类算法,由于其实现的简单性,在很多领域得到了广泛的应用。但是,当样本容量较大以及特征属性较多时,KNN算法分类的效率就将大大降低。本文将粗糙集理论应用到KNN算法中,实现属性约简,提出了一种新的KNN分类方法,解决了KNN算法分类效率低的缺点,从而可使KNN算法能够得到更广泛的应用。