基于冗余度的KNN训练样本裁剪新算法

作为数据挖掘领域十大算法之一,K-近邻算法（K-Nearest-Neighbor,KNN）因具有非参数、无需训练时间、简单有效等特点而得到广泛应用。然而,KNN算法在面对高维的大训练样本集时,分类时间复杂度高的问题成为其应用的瓶颈。另外,因训练样本的类分布不均匀而导致的类不平衡问题也会影响其分类性能。针对这两个问题,提出了一种基于冗余度的KNN分类器训练样本裁剪新算法（简记为RBKNN）。RBKNN通过引入训练样本集预处理过程,对每个训练样本进行冗余度计算,并随机裁剪掉部分高冗余度的训练样本,从而达到减小训练样本规模、均衡样本分布的目的。实验结果表明,RBKNN可在保持或改善分类精度的前提下显著提升KNN的分类效率。     

基于数据仓库的数据挖掘研究

结合当前数据仓库和数据挖掘的发展，本文探讨了数据仓库和数据挖掘结合的必然性；提出了基于数据仓库的数据挖掘的体系结构；综述了基于数据仓库的数据挖掘的主要特征和典型应用。     

医疗数据挖掘及其应用

医疗数据挖掘的基本过程、典型应用及其发展方向。     

Web挖掘及其应用研究

Web挖掘就是利用数据挖掘技术，从Web文档和Web活动中提取感兴趣的，潜在的有用模式和隐藏的信息，本文详细阐述了Web的特点，Web挖掘的分类及应用。     

时序数据库中的数据挖掘研究

时序数据库中的某个字段的值是随着时间而不断变化的,例如股票价格每天的涨跌、浏览网页的次序等.文章运用数据挖掘的方法来对这些数据库进行趋势分析、时序分析、序列模式挖掘以及周期分析.     

人工神经网络的符号解释

提出了人工神经网络符号解释的基本过程，并详细阐述了该过程中的三个重要步骤：网络的构建、规则的提取以及规则的评估。     

基于BP神经网络的函数逼近方法及其MATLAB实现

MATLAB软件及其BP神经网络工具箱函数的应用,结合一个实际的例子详细阐述了基于BP神经网络的函数逼近过程及其MATLAB实现方法。     

挖掘基于医疗图像的关联规则诊断乳腺癌

文章详细阐述了一种医疗图像分类技术———关联规则挖掘。利用这种技术,内科医师或医疗专家可以准确地将病人的乳房X线照片图像进行分类,以确诊病人是否患有乳腺癌。     

一种双层贝叶斯模型:随机森林朴素贝叶斯

文本分类是自然语言处理领域的一项基础工作.文本数据的高维性和稀疏性,给文本分类带来了许多问题和挑战.朴素贝叶斯模型因其简单、高效、易理解的特点被广泛应用于文本分类任务,但其属性条件独立假设在现实的文本数据中很难满足,从而影响了它的分类性能.为了削弱朴素贝叶斯的属性条件独立假设,学者们提出了许多改进方法,主要包括结构扩展、实例选择、实例加权、特征选择、特征加权等.然而,所有这些方法都是基于独立的单词特征来构建朴素贝叶斯分类模型,在一定程度上限制了它们的分类性能.为此,尝试用特征学习的方法来改进朴素贝叶斯文本分类模型,提出了一种双层贝叶斯模型:随机森林朴素贝叶斯(random forest naive Bayes,RFNB).RFNB分为2层,第1层利用随机森林从原始的单词特征中学习单词组合的高层特征.然后将学习到的新特征输入第2层,经过一位有效编码后用于构建伯努利朴素贝叶斯模型.在大量广泛使用的文本数据集上的实验结果表明,提出的RFNB模型明显优于现有的最先进的朴素贝叶斯文本分类模型和其他经典的文本分类模型.