数据挖掘中决策树方法的研究

决策树是一种求解分类问题的重要技术.本文重点研究数据挖掘中的决策树方法,概述决策树方法的基本原理和优越性,阐述经典的ID3 算法并对算法进行分析,讨论若干针对分裂属性选择的改进算法,提出决策树算法理论进一步研究的方向.     

基于粗集理论和神经网络的集成化数据挖掘方法研究

为了从大型数据库中获取有用的知识，本文提出了一种基于粗集理论和神经网络的集成化数据挖掘方法。论文以所提出的研究框架为基础，首先给出了一种改进的粗集属性约简的算法和消除冗余属性的方法，进而采用面向对象的概念泛化进一步对数据库进行属性约简，最后用相似权值法得到产生式规则，并将所得规则用决策树来表示，通过一个完整的应用实例演示了本文方法，证实了其有效性。     

数据挖掘软件的介绍及其评价

随着信息时代、知识经济的到来,数据挖掘的应用变得日益广泛和重要,数据挖掘软件的不断涌现也推动了数据挖掘技术的发展。本文对目前数据挖掘领域中常用的软件做了一个较全面的分析和介绍。     

浅析数据挖掘技术

本文主要讨论了数据挖掘方法的研究发展,简要地介绍了数据挖掘的定义、功能、方法等,详细的介绍了一些常用的数据挖掘技术,包括概念,应用范围,选择划分的标准等。     

基于数据挖掘的信用卡交易风险检测研究

本文仔细分析了信用卡交易的特点,发现采用数据挖掘技术能够有效地发现其内部隐藏的、潜在的异常交易模式,在此基础上给出了一种基于数据挖掘技术的混合检测模型,其核心部分采用数据挖掘技术中的决策树分类算法和神经网络来检测高风险交易行为,最后并对检测结果进行了预测评价。     

从数据挖掘到知识发现

<正> KDD简介 过去的十年里,生成和收集数据的能力迅猛发展。科学数据集、商品的条形码、商业的计算机化和政府事务等都产生了海量的数据。 如此大量的数据明显超出了传统手工数据分析方法的分析能力。这些方法能够从数据中产生信息报告,但不能分析这些报告的内容以便集中处理。这就要求新一代技术与工具具备智能地并且自动地帮助人们分析海量数据来获取有用知识的能力。 从原始数据中发现有用的模式(或知识)通常称之为数据库中的知识发现,简称KDD。这种称法出现于     

内嵌式数据挖掘系统实现方法的研究

提出构建数据仓库的一个新技术——内嵌式数据挖掘系统,给出了内嵌式数据挖掘系统的实现方法及其关键技术,使用决策树算法对内嵌式数据挖掘系统进行设计。所提出的内嵌式数据挖掘系统将成为功能完备的数据仓库中一项重要的指标。     

嵌入式数据挖掘系统实现方法研究

文中分析了数据挖掘系统与数据库及数据仓库系统间的关系,提出了嵌入式数据挖掘系统的思想、实现方法,及其关键技术.并引用决策树算法对嵌入式数据挖掘系统的实现方法做了描述.文中对嵌入式数据挖掘系统的未来进行了展望,一旦数据挖掘过程变得简单易用,并且能够无缝地集成到商业过程和企业的通用数据和信息流中,将会有新的应用和协同作用使数据挖掘成为功能完备的数据仓库中一项重要的要求.     

基于数据挖掘的工艺参数优化研究

提出了基于数据挖掘的机械加工工艺参数寻优方法,根据已有的样本训练数据建立决策树分类器和神经网络模型,针对要求的加工目标,通过对决策树的分类规则进行提取,生成预测数据集,结合建立的神经网络模型,迅速准确的预测出对应的加工工艺参数,并通过磨削实验验证了此方法的可行性。     

嵌入式数据挖掘系统实现方法研究

文中分析了数据挖掘系统与数据库及数据仓库系统间的关系,提出了嵌入式数据挖掘系统的思想、实现方法,及其关键技术。并引用决策树算法对嵌入式数据挖掘系统的实现方法做了描述。文中对嵌入式数据挖掘系统的未来进行了展望,一旦数据挖掘过程变得简单易用,并且能够无缝地集成到商业过程和企业的通用数据和信息流中,将会有新的应用和协同作用使数据挖掘成为功能完备的数据仓库中一项重要的要求。     

用于电子商务中的数据挖掘技术研究

本文基于国内外的最新研究成果对数据挖掘技术进行了研究,将这些技术应用到具体的电子商务平台中去,得到了可行性验证,从而为此技术在电子商务领域广泛应用起到了示范作用。     

数据挖掘的并行策略研究

文章对数据挖掘算法的并行策略进行了分类,分类技术主要集中在分割训练数据以及在每一个阶段的最后从处理器中抽取属性。这种方法在关联规则和决策树中得到了广泛的研究。在策略应用中,以DD算法为例进行了说明。在文章的最后,展望了并行数据挖掘的发展方向。     

基于改进神经网络的数据挖掘

本文提出了基于改进的模糊逻辑神经元网络算法的FCM算法,在随机蛤出的初始聚类中心的试验中具有很好的性能。     

一种基于模糊神经网络的数据挖掘算法

提出了一种基于模糊神经网络的数据挖掘算法,把模糊理论和神经网络结合起来构造、训练模糊神经网络,弥补了神经网络结构复杂、网络训练时间长、结果表示不易理解等不足。经过模糊神经网络的建立和训练达到精度要求,实现了运用模糊神经网络方法从数据库中提取知识的目标。     

利用MLC++实现数据挖掘

数据挖掘是从大量原始数据中抽取隐藏知识的过程。大部分数据挖掘工具采用规则发现和决策树分类技术来发现数据模式和规则,其核心是归纳算法。与传统统计方法相比,基于机器学习技术得到的分类结果具有较好的可解释性。在针对特定的数据集进行数据挖掘时,如果缺乏相应的领域知识,用户或决策者就很难确定选择何种归纳算法。因此,需要尝试各种算法。借助MLC＋＋,决策者能够轻而易举地比较不同分类算法对特定数据集的有效性,从而选择合适的分类算法。同时,系统开发人员也可以利用MLC＋＋设计各种混合算法。     

基于改进神经网络的WEB数据挖掘研究

人工神经网络是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统,它不但具有处理数值数据的一般计算能力,而且还具有处理知识的思维、学习、记忆能力.基于神经网络的数据挖掘过程由数据准备、规则提取和规则评估三个阶段组成.研究了分解型规则抽取算法,在分析了分解型算法后,利用关联法对输入输出神经元进行关联计算,按关联度排完序之后,用神经网络进行结点选择,可以大大减少神经网络的输入结点个数数据集中数据的验证,表明了方法的有效性.     

一种新兴的数据挖掘方法:神经规则法

该文详细阐述了一种新兴的数据挖掘方法——神经规则法。文中先后介绍了神经网络的训练、神经网络的剪枝以及神经规则的提取。最后用一个实例具体解释了使用该方法来挖掘分类规则的过程。     

基于数据挖掘的股票分析系统设计

由于股市内的数据的庞大和复杂,在进行有效的股票数据分析的时候我们需要更加精确的数据来为我们服务,基于以上股市数据的特点,利用数据挖掘技术对股市趋势的计算是符合实际的,在BP神经网络算法的基础上对股票分析系统进行设计。     

基于神经网络的数据挖掘研究

尽管神经网络具有结构复杂、网络训练时间长、结果表示不容易理解等缺陷,但其对噪声数据的高承受能力和低错误率的优点是其他方法所不及的,并在数据挖掘所采用的方法中具有优势。该文对基于神经网络的数据挖掘进行了详细的研究。     

数据开采与统计学

数据开采是利用现代统计学知识和计算知识从大型数据库中发现潜在的有用模式的学科。可以说,数据开采的目的和数据开采中使用的方法,覆盖了古典的统计学应用范畴。然而,统计学和数据开采在哲学上和使用方法上都有许多的差别。文中描述统计学和数据开采方法在知识发现上的差异,指出统计学和数据开采可通过彼此学习和互相使用来得到发展。