一个基于SLIQ的分类算法的实现

在介绍数据挖掘、分类算法的有关概念的基础上，描述了一个基于SLIQ(Supervised Learning in Quest)的分类算法的实现。算法控制结构采用队列来控制广度优先搜索，对属性表进行内部排序生成有序的属性表序列，再对所有属性表进行遍历，找出所有叶子节点的最佳分裂方案，对应该分裂的类表进行更改，最后生成的决策树通过前序遍历的方式存入输出表。

基于SLIQ决策树算法的研究

提出一种改进的SLIQ决策树分类算法,克服原有SLIQ算法需要大量计算决策树每个节点的吉尼指数(GINIIndex)的缺点。一是给出数据分布密度的基本概念,并在GINI指标的基础上利用数据分布密度差改进SLIQ;二是将SLIQ算法应用到综合评价中去。实例结果表明,算法改进后,寻找最佳分裂方案的GINI指标的个数大大减少,缩减计算量,降低排序成本和寻找最佳分裂点的代价,简化决策树的规模。

一种基于SLIQ的快速扩展分类算法的实现

ID3算法是一种信息熵的决策树学习算法,把信息熵作为选择测试属性的标准,对训练实例集进行分类并构造决策树来预测如何由属性对整个实例空间进行划分。ID3算法对于相对小的数据集是很有效的,但对大型数据库而言,ID3算法无法处理。SLIQ分类算法使用了一些独特的技术,改进了学习的时间,同时在没有降低精确度的情况下,解决了对磁盘驻留大数据集的分类,具有更快的速度而且生成较小的树。

基于决策树的软件分类方法

提出一种基于决策树SLIQ算法的软件分类方法,在利用现有测试工具的条件下,编写应用接口,获取软件的外部属性和内部属性数据。对异构数据源进行清理转换,从中提取软件分类的规则,对软件进行细粒度的划分,构建分类模型并在数据库管理系统不同版本的分类中应用。

应用于商业的数据挖掘算法概述

随着科技的发展,信息技术的应用与商业领域的结合广为流行,并带来很大的利益。但是,商业中大量数据需要行之有效的处理方法。本文介绍了在商业中数据挖掘的重要性与必要性,重点介绍了数据挖掘中进行分类与预测的各类算法。

新的基于骨架特征的泰文识别技术

已有的泰文识别技术都是基于字符轮廓特征的,且多采用神经网络分类器。创新地提出了一种基于骨架特征和决策树分类器的泰文识别技术。首先采用字符瘦化方法提取泰文字符的骨架图像,然后从骨架图像中提取10个特征导入决策树分类器,最后采用SLIQ算法生成决策树和剪枝。实验结果表明这种基于骨架特征和决策树分类器的技术取得了比基于字符轮廓特征和神经网络分类器更好的识别结果。