一种用于知识发现的非精确学习算法.pdfVIP

东莞理工学院学报 第20卷第1期 V01．20No．1 OFDONGGUANUNIVERSITYOFTECHNOLOGY 201 JOURNAL Feb． 2013 3年2月 一种用于知识发现的非精确学习算法 曾志目，、：亡 (惠州学院计算机科学系，广东惠州516007) 摘要：海量数据的快速增长，伴随着数据挖掘技术在人X-智能，机器学习与知识工程等领域进入了深层 次的研究阶段，从而为非结构数据的知识发现提供了可能。本文采用形式化方法详细地描述了关于非精确规 则获取的基本原理和知识发现过程，并提出了一种应用于值为数据类型的知识发现的非精确学习模型，实验 表明该算法在非结构数据知识发现领域具有一定的可行性与实用性。 关键词：机器学习；非精确学习；知识发现 中图分类号：TP391 文献标识码：A 学习对人类和其他生物都很重要，它是获取知识并且应用知识的必要手段。心理学家认为学习是人 类智力的行为，通过学习，人们可以提升并改善知识和能力。计算机专家则认为，学习是一个对象 (人或机器)的过程，这个对象能从数据(观察和实验)中得出一套有用的规则。机器学习就是使用计 算机模仿人的学习行为的过程。通过这样一个非结构化数据的处理过程，新的知识能被获取而老的知识 将得到改良。如今存在着很多机器学习的算法，这些算法采用了微妙的方法去处理不同的应用领域。有 通过实例数据(通常成为训练数据)得出一些潜在的规则，最终使用归纳得到的规则再去发现新的知 识。在现实生活中，常常看到非精确学习的知识发现比结构化数据的精确学习的知识发现更重要。关于 非精确学习，国内外学者做了大量的研究工作，有基于FISH—NET算法的非精确学习¨j，也有关于粗 糙集的学习方法”1等，有提出基于数据仓库的综合知识发现系统的建设模型J，或从概念的角度提出 非精确概念机器学习的一般任务模式H。6o，为了更好的完成知识发现的过程，提高发现信息和知识的效 率，文献[7]提出了一种基于数据仓库的过程驱动的可伸缩性知识发现模型。本文以值为数据类型的 数据集为切入点，提出域学习算法去获取属性规则并且应用到新的数据集去发现知识的算法模型，采用 一种利用优化的方法使机器学习更加简单，从而有助于改善数据挖掘的效率和可靠性。 1 非精确学习与发现 1．1 非精确学习 与精确学习相对应，存在一个精确学习的概念。在学习领域，很多研究人员已经归纳出了很多精确 学习与非精确学习的规则。然而，在某些特定应用领域去研究精确的规则是没有必要的，因为它们并不 需要考虑精确的计算和结果，只需得到一个粗略的估计。可幸的是过去在非精确学习方面有一定的工作 基础。 如果一个人使用粗略的数据或不定的结轮，这个算法是非精确的。在此复述一下训练示例包括一些 属性方面的规则，通常地，有很多方法去规范一些非精确规则包括使用不同的公式去处理相应的科目。 使用一个方法去分析和解决建立在模糊集理论和粗糙集理论之上的非确定性问题。因此，认为如果算法 应用到学习不确定的知识就称为非精确学习算法。同样，如果算法被应用到发现有价值的、先前不知道 的和潜在的有用的不可定义的知识就称为非精确知识发现算法。 传统的学习算法通过检测每个示例单个值来获取规则，这种学习方法叫点学习法。这里要介绍更好 的方法——域学习算法。为了对付低预测精度问题，域归纳学习法也是不可或缺的一部分。它与点学习 收稿日期：2012—09—19 作者简介：曾志(1971一)．男，江西赣州人，高级工程师，博士，主要从事智能学习理念，网格计算与云计算等领域研究。 万方数据 第l期 曾志：一种用于知识发现的非精确学习算法 25 法去测量训练数据集中每个示例一一点的属性值是不同的，域学习法关注训练数据集每一个属性域。 定义1 域 ≤，≤凡)的域h与类cI(1≤Jj}≤s)相关，标识符被定义在[^∥，矗苫’