一种改进的BIRCH分层聚类算法

由于传统的BIRCH算法是用直径来控制聚类的边界,因此如果簇不是球形,它就不能很好地工作,而且传统的BIRCH算法只适用于单表。针对BIRCH的这些缺点,本文提出了一种改进的BIRCH——IBIRCH算法,该算法首先通过ID传播把多个表联系起来,使得BIRCH算法可以适用于多表的情况,再通过计算共享最近邻密度,可以发现任意形状的簇。实验表明,该算法不仅具有较强的可伸缩性,还可以得到较高精确的聚类结果。

多关系决策树学习算法的研究与改进

通过对多关系决策树学习算法MRDTL-2进行研究与分析,针对其运行效率较低和不能有效处理丢失属性值的问题,提出一种改进的多关系数据挖掘(IMRDTL)算法。在IMRDTL算法中,利用元组ID传播技术来进一步提高MRDTL-2算法的运行效率,同时使用广义朴素贝叶斯分类器来填补丢失的属性值,以进一步提高算法的准确率。

一种基于用户指导的多关系关联规则挖掘算法

提出一种基于用户指导的多关系关联规则挖掘算法,对传统的关联规则挖掘方法进行拓展,借鉴元组ID传播的思想使多表间无需物理连接而能直接进行关联规则挖掘,并引入了用户指导的概念,提高了用户的满意程度及挖掘的效率和精确度.该算法能够直接支持关系数据库,且运行时间远远小于基于ILP技术的多关系关联规则挖掘算法.

一种多关系频繁模式挖掘算法

传统数据挖掘算法在处理多表时,需要物理连接,存在效率不高的问题。为了解决这一问题,提出了一种多关系频繁模式挖掘算法。该算法利用元组ID传播的思想,使多表间无须物理连接,就可以直接挖掘频繁模式。实验表明,此算法具有较高的效率。

一种有效的多关系聚类算法

研究多关系数据挖掘的聚类问题,提出一种有效的多关系聚类算法EMC.EMC算法的目标是提高聚类的准确率,并且降低运行时间.EMC算法首先利用元组ID传播的思想,计算两个对象之间的相似度,接着利用K中心点聚类算法,将对象划分成簇.实验表明,EMC算法显著降低运行时间,并且提高聚类的准确率.

一种有效的多关系贝叶斯分类算法

传统数据挖掘算法在处理多关系时,需要物理连接,因此存在效率不高的问题.为了解决这一问题,研究多关系数据挖掘中的分类问题,提出一种有效的多关系贝叶斯分类算法EMBC.EMBC算法的目标是提高分类的准确率,并且降低运行时间.EMBC算法利用元组ID传播的思想,结合朴素贝叶斯分类算法,可以直接在多关系上进行分类.实验表明,EMBC算法提高分类的准确率,并且显著降低运行时间.

一种新型基于用户指导的多关系关联规则挖掘算法

本文提出了一种基于用户指导的多关系关联规则挖掘算法,借鉴有向图的概念动态的选择最优关键表,并利用元组ID传播的思想使多表间无需物理连接而能直接进行关联规则挖掘,同时引入用户指导的概念,提高了用户的满意程度及海量数据挖掘的效率和精确度.该算法能够直接支持关系数据库,且运行效率远远高于基于ILP技术的多关系关联规则挖掘算法.

SCrossMine——一种基于多关系数据挖掘的空间分类方法研究

空间数据分类算法大部分基于单表,将多关系数据挖掘的分类技术用于构建空间数据对象的分类模型,特别是元组ID传播技术使得空间数据对象可以高效表征包括领域属性和空间位置的完整特征,从而使得分类依据更客观。实验表明SCrossMine算法可以获取较高的分类精度,同时分类结果也能较好不同类别对象的空间分布格局。

一种有效的多关系决策树分类算法

多关系数据挖掘,是数据挖掘方向其中一个热门的研究内容,并且是具有挑战的一个问题。在处理多关系时,传统的数据挖掘算法需要进行物理连接,因而存在效率不高的问题。为了解决这个问题,研究多关系数据挖掘的分类,提出一种有效的多关系决策树分类算法,名为EMDT。EMDT的目标是提高分类准确率,并减少运行时间。EMDT利用元组ID传播,构造出一颗决策树,可以直接在多关系中对类标号未知的元组进行分类,不需要进行物理连接。实验表明,EMDT提高分类准确率,并显著减少运行时间。