排序方式： 共有10条查询结果，搜索用时 218 毫秒
1
1.
分析了等价矩阵和联合决策矩阵规则提取算法对于大数据集低效性的根源.提出了基于任意分割的规则获取方法和相应的串行进位链计算流程.这种计算流程将大数据集上的规则获取,转化为通过分割后多个智能体(子系统)及其智能体间数据共享的"并行＋串行"的规则提取计算过程,有效的解决了大数据集上规则获取问题.复杂度分析表明该算法在效率上较现有的算法有显著的提高;实例分析验证了该方法的可行性;相应的对比实验表明这种计算流程对大数据集上的规则获取的实用性和高效性. 相似文献
2.
数据挖掘中应用偏最小二乘法发现异常值 总被引：5，自引：4，他引：5
本文介绍了偏最小二乘法在挖掘统计数据中的异常值上的应用.对统计数据使用偏最小二乘法回归,可以较快速地建立相对准确的回归方程,并且结合变量投影重要性指标等相关分析工具可以对数据进行消元,降低数据的维数,从而减轻运算的强度;通过预测值和实际发生值的比较,根据法则判定数据是否异常,从而达到对数据风险的控制,在经济、金融等领域中有着重要的实际意义. 相似文献
3.
频繁闭合模式集可惟一确定频繁模式完全集且数据量要小几个数量级。根据分布式数据流的特点,提出了一种挖掘频繁闭合项集的算法,该算法采用K叉树形结构,以叶子节点接收各条数据流,创建DSFCI_tree结构来存贮各条数据流中的每段闭合模式,然后逐层往上合并更新,从而在根节点可得整个分布式数据流的频繁闭合模式。 相似文献
4.
文章扩展经典的先验BN模型，采用两层学习结构讨论分组样本下BN模型的条件概率及学习算法：一层是对各组私有条件概率分布的学习；另一层是对各组公有条件概率分布的学习。算法在综合公有后验条件概率分布和本组学习实例数据分布特征的基础上，实现对各组私有条件概率分布的学习，并可通过经验或学习来改变综合值中共性和个性的比例。 相似文献
5.
多标签特征选择指在多标签场景下选出代表性属性.已有的多标签特征选择方法大多集中在事先获得全部特征空间,而没有考虑流式特征情况.随着时间的推移,这些特征不断地流入模型中.此外,一些流方法需要在学习之前指定参数.因此,在训练不同类型数据集之前,如何选取统一和最优参数成为一种难题.基于此,本文定义自适应邻域粗糙集关系-Gap... 相似文献
6.
CR:一种逆向的关联规则挖掘算法 总被引：4，自引：0，他引：4
引入与交易相关的有关概念，对传统关联规则挖掘的概念进行了扩展，并基于交易提出了一种关联规则挖掘算法，该算法从较长的交易入手，试图找出长的频繁项集，再确定它们的子项集，从而避免了组合爆炸问题。该算法对原数据库进行1次扫描，对压缩数据库进行了2次扫描，较Apriori算法减少了扫描次数，提高了挖掘效率。 相似文献
7.
8.
针对关联规则中频繁模式挖掘的效率问题进行了研究,提出了一种快速挖掘频繁模式的新算法。该算法采用一个动态更新的连接项集对n项频集中的项目进行项目增长的原理,求得所有频繁项集。通过研究分析可以看出:算法只需对数据库一次扫描;增强了产生候选项的针对性和有效性;提高了候选项的支持事务计数的效率;在求解最大频繁项集时,由于求解过程中无需用到大量的中间结果,节省了内存空间。给出了算法的实现。通过对实验结果的性能对比分析,表明算法是可行的,有效的。 相似文献
9.
基于概念格扩展模型提取分类规则具有一定的优越性，将分布的思想引入概念格的分类规则提取过程中有助于进一步提高概念格的时空性能。由于各数据源中数据的差异，使得各数据源上的知识具有一定的局部性．甚至会出现矛盾，因而需要有效的知识融合方法。文中探讨多概念格的分类规则求解，提出基于分类子格的融合方法，理论分析和实验验证表明，该方法能保证规则的完整性。 相似文献
10.
多标签学习主要处理每个样本数据与多个类标签关联问题,实际应用却很难一次性全部取得完整特征信息.已有多标签学习方法解决缺失特征,但高维环境下特征缺失未能考虑,并且现有特征降维方法大多要么直接从单标签特征选择方法转变而来,要么无法充分利用标签信息,因此无法获得多个标签共享的最佳特征选择结果.基于此提出了一种高维环境下特征缺失多标签学习方法.首先,通过学习特征相关矩阵获得新的补全特征矩阵,与原有缺失特征矩阵相比更具完整特征信息.其次,引入信息理论方法提出一个通用全局优化框架,考虑特征相关性、标签相关性和特征冗余,实现高维多标签数据的特征降维.之后,为提高多标签分类的性能,通过假设如果两个特征强相关,则它们对应参数向量之间的相似性会更大,以此来约束系数矩阵上的特征相关性.此外通过约束标签输出的标签相关性,以捕获不同标签之间更充分的关系.大量实验表明,所提方法与其他先进多标签学习方法相比具有竞争力. 相似文献
1