检索结果-内蒙古大学图书馆

小型微型计算机系统 2008年第4期29卷 691-693页

作者：闫德勤张丽平辽宁师范大学计算机系辽宁大连116029

连续属性离散化在机器学习和数据挖掘领域中有着重要的作用.连续属性离散化方法是否合理决定着对信息的表达和提取的准确性.Chi2算法基于统计学理论方法,对连续属性离散化研究产生着重要影响.在对Chi2及相关算法中统计量χ2应用意义讨... 详细信息

连续属性离散化在机器学习和数据挖掘领域中有着重要的作用.连续属性离散化方法是否合理决定着对信息的表达和提取的准确性.Chi2算法基于统计学理论方法,对连续属性离散化研究产生着重要影响.在对Chi2及相关算法中统计量χ2应用意义讨论的基础上,提出了一种新的(IntegralChi2)算法,该算法基于概率统计理论把统计量χ2与分位点χ2α间对应的积分(概率)作为区间合并的依据,能够更合理更准确地对连续属性进行离散化.实验结果证明了算法的有效性.

关键词：连续属性离散化 Chi2算法数据挖掘

来源：评论

学校读者我要写书评

暂无评论

连续属性离散化的Bayesian-Chi2算法

引用

计算机工程与应用 2008年第18期44卷 39-40,43页

作者：刘磊闫德勤桑雨辽宁师范大学计算机系辽宁大连116029

连续属性离散化在机器学习和数据挖掘领域中有着重要的作用。连续属性离散化方法是否合理决定着对信息的表达和提取的准确性。Chi2算法在对连续属性进行离散化处理时,无冲突的数据能够得到较好的结果,但是,对不协调和不完全的数据实验... 详细信息

连续属性离散化在机器学习和数据挖掘领域中有着重要的作用。连续属性离散化方法是否合理决定着对信息的表达和提取的准确性。Chi2算法在对连续属性进行离散化处理时,无冲突的数据能够得到较好的结果,但是,对不协调和不完全的数据实验结果不是很理想。利用了Bayseian模型允许一定程度错误分类存在的性质,对Chi2算法进行了改进。改进后的Chi2算法不仅更适合不协调和不完全的数据,还使得区间的合并更加合理。实验结果证明了算法的有效性。

关键词：连续属性离散化 Chi2算法贝叶斯

来源：评论

学校读者我要写书评

暂无评论

连续属性离散化的Imp-Chi2算法

引用

计算机工程 2008年第17期34卷 39-41页

作者：桑雨闫德勤刘磊梁宏霞辽宁师范大学计算机信息与技术学院大连116029

连续属性离散化是机器学习和数据挖掘领域中的一个重要问题,离散化是否合理决定着表达和提取相关信息的准确性。经过研究Chi2系列算法,提出一种新的基于属性重要性的连续属性离散化方法——Imp-Chi2算法,该算法依据属性重要性程度对属... 详细信息

连续属性离散化是机器学习和数据挖掘领域中的一个重要问题,离散化是否合理决定着表达和提取相关信息的准确性。经过研究Chi2系列算法,提出一种新的基于属性重要性的连续属性离散化方法——Imp-Chi2算法,该算法依据属性重要性程度对属性离散化的顺序进行了合理的调整,能够更准确地对连续属性进行离散化。文章通过C4.5和支持向量机分别对离散化后的结果进行了实验,在实验过程中,提出一种训练集类比例抽取方法,避免了训练集随机抽取的不均匀性。实验结果证明了所提算法的有效性。

关键词：连续属性离散化 Chi2算法属性重要性训练集类比例抽取

来源：评论

学校读者我要写书评

暂无评论

连续属性离散化和LMS算法相关研究

连续属性离散化和LMS算法相关研究

引用

作者：修海燕辽宁师范大学

学位级别：硕士

连续属性离散化是数据挖掘和机器学习研究及应用中的一个重要方面。在很多规则提取、特征分类算法中,连续(实值)属性必须进行离散化。连续属性离散化就是在特定的连续属性的值域范围内选取若干个离散划分点,将属性的值域划分为一些离散... 详细信息

连续属性离散化是数据挖掘和机器学习研究及应用中的一个重要方面。在很多规则提取、特征分类算法中,连续(实值)属性必须进行离散化。连续属性离散化就是在特定的连续属性的值域范围内选取若干个离散划分点,将属性的值域划分为一些离散的区间,最后用不同的符号或整数值代表落在每个子区间中的属性值。连续属性离散化的过程,从实质上来说,就是用特定的阈值来对连续的属性空间进行划分的过程。离散化算法的关键在于如何获得最优划分,最大程度地保持信息表示的意义,减少信息损失。1982年波兰科学家Pawlak提出了粗糙集[1 ] (Rough Set)理论,该理论通常被用来处理不确定知识,在数据分析、数据挖掘等领域得到了普遍地应用,传统粗糙集理论只能对数据库中离散的属性进行处理,倘若某些条件属性或决策属性的值域为连续值,在处理前必须经过离散化。本文从粗糙集的观点出发,在保证条件属性和决策属性相对关系不变下,提出了一种新的区间分割的方法连续属性离散化算法实验结果与理论证明了算法的实效性。近年来由于人工神经网络(ANN)独特的信息处理和计算能力,人们对它给予了更多的关注。人工神经网络是一种解决实际工程问题的有效工具,由于隐藏单元已经引入了人工神经网络,所以它已经具有了更强的分类和记忆能力。本文通过对BP模型构建输入向量之间的非线性关系,偏差和学习步骤,提出了一个新的基于神经网络控制的变步长LMS算法。该算法采用一种新的自适应步长控制技术,在新算法中,其学习的步骤是通过BP神经网络控制,可用于具有自适应滤波应用的理想的功能得以明显体现出来。仿真实验表明BP-LMS算法确实可以有效减少收敛时间并达到满意的效果。本文从以下4个内容方面展开工作: 1>介绍了离散化研究的背景、粗糙集理论、神经网络理论以及本文的组织结构。 2>介绍连续属性离散化的过程,并对离散化算法的研究现状进行了综合探讨。 3>提出了一种基于粗糙集理论的连续属性离散化新算法,通过C4.5和支持向量机分别对离散化后的数据进行识别与分类预测。理论与实验结果证明了算法的有效性。 4>介绍了BP神经网络,其具有良好的非线性处理能力。神经网络学习到的信息是蕴涵在大量的连接权中,不容易被理解。本文在神经网络上提出了一个新的基于神经网络控制的变步长LMS算法。并进行了相关的仿真实验。

关键词：连续属性离散化粗糙集信息偏差 BP神经网络可变步长LMS算法

来源：评论

学校读者我要写书评

暂无评论

连续属性离散化相关研究及应用

连续属性离散化相关研究及应用

引用

作者：刘磊辽宁师范大学

学位级别：硕士

信息时代的来临,带来大量的数据。这些数据中隐藏着许多重要的信息和知识。如何从表面数据中提取到深层次的、表现了事物内在规律的规则来进行预测或指导决策,是迫切需要解决的问题。数据挖掘正是在这样的背景下产生的新的研究领域,是... 详细信息

信息时代的来临,带来大量的数据。这些数据中隐藏着许多重要的信息和知识。如何从表面数据中提取到深层次的、表现了事物内在规律的规则来进行预测或指导决策,是迫切需要解决的问题。数据挖掘正是在这样的背景下产生的新的研究领域,是统计学、计算机科学、模式识别、人工智能、机器学习、数据库等多领域的交叉学科。连续属性离散化在机器学习和数据挖掘领域中有着重要的作用。本文就数据挖掘中的连续属性离散化问题进行了相关的研究。首先,讨论了连续属性离散化问题。连续属性离散化是否合理决定着表达和提取相关信息的准确性。CHI2系列算法关联着统计学理论方法,有着重要的研究价值。利用Bayseian模型允许一定程度错误分类存在的性质,对Chi2算法进行了改进。提出的Bayseian-Chi2算法不仅更适合不协调和不完全的数据,还使得区间的合并更加合理。其次,依据属性重要性程度对属性离散化的顺序进行了合理的调整,又提出一种新的基于属性重要性的连续属性离散化方法——属性重要度-Chi2算法,能够更准确的对连续属性进行离散化。最后,本文从应用的角度,将研究的成果应用在基于数据挖掘中的决策树技术得到的个人住房贷款信用风险评估模型之中,具有较高的准确率,能够满足实际应用的需要。

关键词：数据挖掘连续属性离散化 Chi2算法贝叶斯训练集类比例抽取信贷模型

来源：评论

学校读者我要写书评

暂无评论

一种基于云模型的决策表连续属性离散化方法

引用

模式识别与人工智能 2003年第1期16卷 33-38页

作者：李兴生李德毅解放军理工大学通信工程学院南京210016 中国电子系统工程研究所北京100039

传统Rough集理论只能处理离散属性,所以在对决策表进行处理之前,必须对决策表中的连续属性进行离散化。本文提出了一种基于云模型的、领域独立的决策表连续属性离散化方法,尤其适合大数据量的情形。该方法首先根据数据的实际分布,利用... 详细信息

传统Rough集理论只能处理离散属性,所以在对决策表进行处理之前,必须对决策表中的连续属性进行离散化。本文提出了一种基于云模型的、领域独立的决策表连续属性离散化方法,尤其适合大数据量的情形。该方法首先根据数据的实际分布,利用云变换将连续属性的定义域划分为多个基于云的定性概念,然后利用决策表不确定性程度的反馈信息合并相邻的定性概念。这种离散化方法是一种软划分,更加符合实际的数据分布和人的思维方式。另外通过合并相邻的定性概念,能够有效提高信息系统中信息的粒度,从而提高所挖掘规则的统计意义和预测强度。

关键词：云模型决策表连续属性离散化 NP问题粗糙集理论

来源：评论

学校读者我要写书评

暂无评论

基于改进粒子群优化的粗糙集连续属性离散化

引用

计算机工程与应用 2010年第15期46卷 115-117,158页

作者：汪凌胡培西南交通大学经济管理学院成都610031

提出一种基于改进粒子群优化的连续属性离散化算法。在算法优化方面,采用改进粒子群优化算法。为了克服传统粒子群优化的不足,对种群初始化和自适应调整粒子的惯性权重,提高了粒子群优化算法的全局寻优能力。在粗糙集属性离散化方面,主... 详细信息

提出一种基于改进粒子群优化的连续属性离散化算法。在算法优化方面,采用改进粒子群优化算法。为了克服传统粒子群优化的不足,对种群初始化和自适应调整粒子的惯性权重,提高了粒子群优化算法的全局寻优能力。在粗糙集属性离散化方面,主要是通过将最小断点集作为优化目标,粗糙集属性依赖度作为约束条件。仿真结果表明,该方法能有效地解决决策表连续属性离散化问题,计算速度快,收敛性好。

关键词：改进粒子群优化粗糙集连续属性离散化

来源：评论

学校读者我要写书评

暂无评论

信息偏差在连续属性离散化中的应用

引用

计算机工程与应用 2010年第20期46卷 103-105页

作者：岳海亮闫德勤辽宁师范大学计算机系辽宁大连116081

对基于信息论的离散化系列算法进行了分析,在此基础上提出了一种新的连续属性离散化方法。该算法使用信息偏差来对断点重要性进行度量,在离散化过程中使用不一致率进行控制以保证决策表的相容性不发生变化。最后通过使用C4.5和支持向量... 详细信息

对基于信息论的离散化系列算法进行了分析,在此基础上提出了一种新的连续属性离散化方法。该算法使用信息偏差来对断点重要性进行度量,在离散化过程中使用不一致率进行控制以保证决策表的相容性不发生变化。最后通过使用C4.5和支持向量机(SVM)对该算法和其他算法进行性能对比,验证了该算法的有效性。

关键词：连续属性离散化决策表信息偏差不一致率

来源：评论

学校读者我要写书评

暂无评论

一种基于信息论的决策表连续属性离散化算法

引用

计算机科学 2010年第4期37卷 231-233,237页

作者：岳海亮闫德勤辽宁师范大学计算机与信息技术学院大连116081

连续属性离散化方法对后续阶段的机器学习和数据挖掘过程有着重要的意义。提出一种新的针对决策表的离散化算法,在该算法中,首先将信息熵用作判断标准,从候选断点集中选择合适的断点,然后删除一些冗余的断点来优化离散结果,在删除过程... 详细信息

连续属性离散化方法对后续阶段的机器学习和数据挖掘过程有着重要的意义。提出一种新的针对决策表的离散化算法,在该算法中,首先将信息熵用作判断标准,从候选断点集中选择合适的断点,然后删除一些冗余的断点来优化离散结果,在删除过程中为了尽可能保证决策表分类能力不变,使用不一致率对该过程进行控制。最后选取多组实验数据,使用当前流行的分类算法——支持向量机(SVM)对离散化后的数据进行分类预测,并与其它离散算法进行对比,结果表明本算法是有效的。

关键词：连续属性离散化决策表信息熵不一致率

来源：评论

学校读者我要写书评

暂无评论

一种基于粗糙集理论的连续属性离散化新算法

引用

计算机应用研究 2010年第1期27卷 77-78页

作者：李慧闫德勤韩丽辽宁师范大学计算机系辽宁大连116081 柴河林业局第一小学黑龙江海林157131

粗糙集理论中要求离散化保持原有决策系统的不可分辨关系,但以往的一些算法在离散过程中会使近似精度控制在可以接受的范围,即允许一定的错分。针对此不足,在保证决策属性绝对不改变的情况下,提出一种新的区间拆分方法,更合理有效地对... 详细信息

粗糙集理论中要求离散化保持原有决策系统的不可分辨关系,但以往的一些算法在离散过程中会使近似精度控制在可以接受的范围,即允许一定的错分。针对此不足,在保证决策属性绝对不改变的情况下,提出一种新的区间拆分方法,更合理有效地对连续属性进行离散化。实验通过C4.5和支持向量机分别对离散化后的数据进行识别与分类预测,实验结果证明了算法的有效性。

关键词：连续属性离散化粗糙集决策表离散区间数据挖掘

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：