浅析数据挖掘中的分类算法
作者:何峡峰时间:2015-12-16 13:47:03 来源:www.ksfbw.com 阅读次数:5262次 ]
【文章摘要】
分类算法在数据挖掘中的应用，可以避免出现传统数据挖掘弊端，同时提高挖掘数据的应用有效性。本文结合具体实例，分析数据挖掘中的分裂算法。
【关键词】
数据挖掘；分类算法；应用
针对数据挖掘中，应用分类算法，可以解决数据量大、计算复杂性高问题，提升数据挖掘的速率。可以在数据挖掘织中，引入分类算法内容，并可以结合实际的数据挖掘情况，再去选择合适的分类算法，有效分析数据信息，使数据挖掘工作更加实用性，以下本篇对此做具体分析。
1 数据挖掘中的不同分类算法
1.1 分类训练算法
针对分类算法中，分类训练算法就是针对训练样本多的样本，其中大多为非支持数据信息, 占用了计算和内存上的大量资源, 在每次的优化过程中, 通过迭代方式排除非支持数据信息，只保留当前支持数据信息, 节省计算时间与内存空间。数据挖掘中，采用分类算法，可以随机选择较少样本作初始样本集，在问题求解后从结果内去掉非支持数据信息, 再根据训练结果对剩余样本数据进行检验, 然后再将不符合优化条件的一部分样本与数据合并，使其成为新的训练样本集, 重新训练， 直到获得最优训练结果。
1.2 分类决策算法
分类决策算法中，应用决策树作为预测模型，决策树代表的是对象属性同对象值间映射关系。决策树中每个节点表示某个对象，而决策树每个分叉路径，则代表决策树中的某个可能属性值，而决策树中的每个叶结点，则对应从决策树根节点到该叶节点中，所有经历的路径对象值。在决策树中不仅有单一输出，还包含有复数输出，可以建立独立决策树，这样就可以处理不同输出。
1.3 SLIQ 分类算法
SLIQ 分类算法对分类决策树算法进行改进，采用“预排序”、“广度优先”两种技术。可以在决策树的每个结点上，都对数据集进行排序，并且为需要进行训练集的数据，在每个的属性上创建出一个属性列表，给每个元组类别上创建类别列表， 利用数据库保存类别列表，有效提升算法计算速度。
2 分类算法在数据挖掘中的应用实例分析
2.1 应用分类算法实例一
应用分类算法可以挖掘出有用的煤矿瓦斯控制信息，对改善企业的发展进度产生积极影响。首先可以先建立决策树， 然后再根据在瓦斯监测中的数据特点, 将状态维作为本次的分类类别。取正常状态维是P 类( 正例) , 报警状态维是Q 类( 反例) ，然后建立相应的决策树进行数据挖掘。如下图1 中所示：
在本次所建立的决策树中，包括甲烷传感器、传感器以及风速传感器，对每个维成员的数据信息进行增益率计算, 将传感器最大信息增益率维当做一个决策属性的节点, 在通过为属性的取值来建立本节点的分支。要求分类面能将两类样本点分开，并且保证两分类空隙最大。对于其d 维空间中的线性判别函数，若是一般形式为，则分类面方程就是，然后在将判别函数进行归一化，确保两类样本满足，分类面样本都正确分类
。
两类样本的分类空隙间隔大小为：
最优分类面表示成约束优化问题，求函数最小值
可以定义函数Lagrange ：
基于决策树的数据挖掘里面瓦斯浓度维，计算出信息的增益率, 以此来作为决策树中的根结点，提高数据挖掘的效益。
2.2 应用分类算法实例二
针对校园教学系统，对其数据进行数据挖掘，应用分类算法进行数据挖掘，首先，就是应该确定出需要解决的一些目标问题，并设置数据挖掘模型。对于其数据挖掘步骤如下图2 所示：
分类是已知一共有多少类, 并明确知道该类的特点, 然后把未知的按一定规则分到某一个类中；分类可以多可以少, 当然数据量大才能很好地说明分类算法的优异. 但实际上分类算法在确定某些规则后, 你可以只有一个未知的数据也可以把它分到某一个类别当中。
class CAdodc : public CWnd
{protected: DECLARE_DYNCREATE ( CAdodc)
public: CLSID const& GetClsid()
{
s t a t i c C L S I D c o n s t c l s i d = { 0x67397aa3, 0x7fb1, 0x11d0, { 0xb1, 0x48, 0x0, 0xa0, 0xc9, 0x22, 0xe8, 0x20 }
};
return clsid;
}
virtual BOOL Create( LPCTSTR lpsz ClassName,
L P C T S T R l p s z WindowName, DWORD dwStyle,
const RECT& rect,
CWnd* pParentWnd, UINT nID,
C C r e a t e C o n t e x t * pContext = NULL)
{ return Create Control ( GetClsid(), lpszWindowName,
dwStyle, rect, pParentWnd, nID); }
BOOL Create (
LPCTSTR lpsz WindowName, DWORD dwStyle,
const RECT& rect,
CWnd* pParentWnd, UINT nID,
CFile* pPersist = NULL,
BOOL bStorage = FALSE,
B S T R b s t r L i c K e y = NULL)
{ return CreateControl( GetClsid(), lpsz Window Name, dwStyle, rect, p Parent Wnd, nID,
p P e r s i s t , b S t o r a g e , bstrLicKey); }
在分类算法中，还可以可以应用模糊分类的方法，对U 之中国的单因素Ui(i=1,2,…,m)，可以对其进行单因素的评价，然后可以根据因素ui 来确定处事物的评价等级，计算出vj(j=1,2,…,n) 隶属度， 可以得到ri=(ril,ri2,…,rin) 向量，从而得到评价矩阵:
R 作为因素集U 以及评价集V 的模糊关系，可以用(ui，vj)=rij 来表示因素u。还可以进行模糊变换实现综合评价：
= A × = ( a 1 , a 2 , a 3 , … ,an)× = （bi1，bi2，bi3，bi4）
其中，bik= (aij ∧ rijk) (i=1，2，3 ； k=1，2，3，4)
3 结语
综上所述，针对数据挖掘中，应用分类算法，不仅可以提升数据挖掘中算法运行效率，还可以在数据挖掘中动态调用不同分类算法，使数据挖掘工作可以在稳定、高效环境中进行，对数据进行分类，大大提高数据挖掘中算法的性能与效率，发挥实际应用价值。
【参考文献】
[1] 甘杨兰, 赵梅, 牛森等. 基于云仿真环境数据挖掘的服务分类方法[J]. 计算机仿真,2014,31(10):460- 465.
[2] 李学明, 杨阳, 秦东霞等. 基于频繁闭项集的新关联分类算法ACCF[J]. 电子科技大学学报,2012,41(1):104-109.
[3] 覃梅. 数据挖掘分类算法在信用卡风险管理中的应用[J]. 现代计算机（专业版）,2013,(13):13-16.
分类算法在数据挖掘中的应用，可以避免出现传统数据挖掘弊端，同时提高挖掘数据的应用有效性。本文结合具体实例，分析数据挖掘中的分裂算法。
【关键词】
数据挖掘；分类算法；应用
针对数据挖掘中，应用分类算法，可以解决数据量大、计算复杂性高问题，提升数据挖掘的速率。可以在数据挖掘织中，引入分类算法内容，并可以结合实际的数据挖掘情况，再去选择合适的分类算法，有效分析数据信息，使数据挖掘工作更加实用性，以下本篇对此做具体分析。
1 数据挖掘中的不同分类算法
1.1 分类训练算法
针对分类算法中，分类训练算法就是针对训练样本多的样本，其中大多为非支持数据信息, 占用了计算和内存上的大量资源, 在每次的优化过程中, 通过迭代方式排除非支持数据信息，只保留当前支持数据信息, 节省计算时间与内存空间。数据挖掘中，采用分类算法，可以随机选择较少样本作初始样本集，在问题求解后从结果内去掉非支持数据信息, 再根据训练结果对剩余样本数据进行检验, 然后再将不符合优化条件的一部分样本与数据合并，使其成为新的训练样本集, 重新训练， 直到获得最优训练结果。
1.2 分类决策算法
分类决策算法中，应用决策树作为预测模型，决策树代表的是对象属性同对象值间映射关系。决策树中每个节点表示某个对象，而决策树每个分叉路径，则代表决策树中的某个可能属性值，而决策树中的每个叶结点，则对应从决策树根节点到该叶节点中，所有经历的路径对象值。在决策树中不仅有单一输出，还包含有复数输出，可以建立独立决策树，这样就可以处理不同输出。
1.3 SLIQ 分类算法
SLIQ 分类算法对分类决策树算法进行改进，采用“预排序”、“广度优先”两种技术。可以在决策树的每个结点上，都对数据集进行排序，并且为需要进行训练集的数据，在每个的属性上创建出一个属性列表，给每个元组类别上创建类别列表， 利用数据库保存类别列表，有效提升算法计算速度。
2 分类算法在数据挖掘中的应用实例分析
2.1 应用分类算法实例一
应用分类算法可以挖掘出有用的煤矿瓦斯控制信息，对改善企业的发展进度产生积极影响。首先可以先建立决策树， 然后再根据在瓦斯监测中的数据特点, 将状态维作为本次的分类类别。取正常状态维是P 类( 正例) , 报警状态维是Q 类( 反例) ，然后建立相应的决策树进行数据挖掘。如下图1 中所示：
在本次所建立的决策树中，包括甲烷传感器、传感器以及风速传感器，对每个维成员的数据信息进行增益率计算, 将传感器最大信息增益率维当做一个决策属性的节点, 在通过为属性的取值来建立本节点的分支。要求分类面能将两类样本点分开，并且保证两分类空隙最大。对于其d 维空间中的线性判别函数，若是一般形式为，则分类面方程就是，然后在将判别函数进行归一化，确保两类样本满足，分类面样本都正确分类
。
两类样本的分类空隙间隔大小为：
最优分类面表示成约束优化问题，求函数最小值
可以定义函数Lagrange ：
基于决策树的数据挖掘里面瓦斯浓度维，计算出信息的增益率, 以此来作为决策树中的根结点，提高数据挖掘的效益。
2.2 应用分类算法实例二
针对校园教学系统，对其数据进行数据挖掘，应用分类算法进行数据挖掘，首先，就是应该确定出需要解决的一些目标问题，并设置数据挖掘模型。对于其数据挖掘步骤如下图2 所示：
分类是已知一共有多少类, 并明确知道该类的特点, 然后把未知的按一定规则分到某一个类中；分类可以多可以少, 当然数据量大才能很好地说明分类算法的优异. 但实际上分类算法在确定某些规则后, 你可以只有一个未知的数据也可以把它分到某一个类别当中。
class CAdodc : public CWnd
{protected: DECLARE_DYNCREATE ( CAdodc)
public: CLSID const& GetClsid()
{
s t a t i c C L S I D c o n s t c l s i d = { 0x67397aa3, 0x7fb1, 0x11d0, { 0xb1, 0x48, 0x0, 0xa0, 0xc9, 0x22, 0xe8, 0x20 }
};
return clsid;
}
virtual BOOL Create( LPCTSTR lpsz ClassName,
L P C T S T R l p s z WindowName, DWORD dwStyle,
const RECT& rect,
CWnd* pParentWnd, UINT nID,
C C r e a t e C o n t e x t * pContext = NULL)
{ return Create Control ( GetClsid(), lpszWindowName,
dwStyle, rect, pParentWnd, nID); }
BOOL Create (
LPCTSTR lpsz WindowName, DWORD dwStyle,
const RECT& rect,
CWnd* pParentWnd, UINT nID,
CFile* pPersist = NULL,
BOOL bStorage = FALSE,
B S T R b s t r L i c K e y = NULL)
{ return CreateControl( GetClsid(), lpsz Window Name, dwStyle, rect, p Parent Wnd, nID,
p P e r s i s t , b S t o r a g e , bstrLicKey); }
在分类算法中，还可以可以应用模糊分类的方法，对U 之中国的单因素Ui(i=1,2,…,m)，可以对其进行单因素的评价，然后可以根据因素ui 来确定处事物的评价等级，计算出vj(j=1,2,…,n) 隶属度， 可以得到ri=(ril,ri2,…,rin) 向量，从而得到评价矩阵:
R 作为因素集U 以及评价集V 的模糊关系，可以用(ui，vj)=rij 来表示因素u。还可以进行模糊变换实现综合评价：
= A × = ( a 1 , a 2 , a 3 , … ,an)× = （bi1，bi2，bi3，bi4）
其中，bik= (aij ∧ rijk) (i=1，2，3 ； k=1，2，3，4)
3 结语
综上所述，针对数据挖掘中，应用分类算法，不仅可以提升数据挖掘中算法运行效率，还可以在数据挖掘中动态调用不同分类算法，使数据挖掘工作可以在稳定、高效环境中进行，对数据进行分类，大大提高数据挖掘中算法的性能与效率，发挥实际应用价值。
【参考文献】
[1] 甘杨兰, 赵梅, 牛森等. 基于云仿真环境数据挖掘的服务分类方法[J]. 计算机仿真,2014,31(10):460- 465.
[2] 李学明, 杨阳, 秦东霞等. 基于频繁闭项集的新关联分类算法ACCF[J]. 电子科技大学学报,2012,41(1):104-109.
[3] 覃梅. 数据挖掘分类算法在信用卡风险管理中的应用[J]. 现代计算机（专业版）,2013,(13):13-16.
本站论文资源均为来自网络转载，免费提供给广大作者参考，不进行任何赢利，如有版权问题，请联系管理员删除！ 快速论文发表网（www.ksfbw.com）本中心和国内数百家期刊杂志社有良好的合作关系，可以帮客户代发论文投稿.
投稿邮箱：ksfbw@126.com
客服Q Q：
82702382
联系电话：15295038833
本站论文资源均为来自网络转载，免费提供给广大作者参考，不进行任何赢利，如有版权问题，请联系管理员删除！
上一篇：浅析计算机技术的发展与应用
文章评论
共有 0 位网友发表了评论