基于快速蚁群算法的分类规则发现算法.pdfVIP

33№．11A 计算机科学2006VoL 基于快速蚁群算法的分类规则发现算法*) witha Ant ClassificationRule Quick Discovering Algorithm 陈俊清朱文兴 (福州大学数学与计算机科学学院福州350002) 在数据挖掘的研究中，预测模型的研究是一个很 重要的问题[¨。而分类是预测的手段之一，因此分类 想；第2节介绍本算法与Ant-Miner算法的区别；第 方法的研究又是至关重要的。目前，国内外常用的分 类方法[z]有统计方法、机器学习方法、粗糙集方法、神 论；最后是总结并提出下一步的研究方向。 经网络方法和遗传算法等。然而，这些方法却存在许 1 Ant-Miner算法[目的简介 多不足之处。例如，用神经网络方法分类的可解释性 差；统计方法需要大量的先验知识而且得出的不是规 该算法实质上是一种序列覆盖算法，利用蚁群算 则形式，不易让用户理解；用遗传算法进行分类，运行 法具有良好的搜索全局最优值(在这里是规则的质 花费的时间长。 量)的特点，搜索出一个质量最好的规则，然后移去该 因此，人们希望分类器得到的是规则的形式，因 规则所正确覆盖的样例，直至最后不能被覆盖的样例 为规则形式容易让客户理解，便于对结果分析，判断 数小于允许最大未覆盖的样例数，则整个训练算法结 它是否合理，以便做出修改。那么进一步要求分类 束，最终算法将得到一组最优分类规则集。 得出的规则预测准确率要高，规则的数目要少，规则 Ant-Miner算法主要包括三个步骤：构造规则，规 的长度要尽量简短。同时，希望算法运行的时间效率 则剪枝和信息素更新。 能够进一步提高。 1．1构造规则 ． 目前，把智能技术引入数据挖掘领域已经成为研 ‘1．1．1规则的表示形式 究热点。蚁群算法是最近几年才提出的一种新型的 在算法当中，定义分类的规则形式为： 拟生态系统算法，由意大利学者MDorigo、V． IF(规则前件THEN规则后件 其中规则前件为条件属性，规则后件为决策属性。进 Maniezzo等人首先提出[6a]，他们称之为蚁群系统 (AntColonySystem，ACs)，并用该方法来求解旅行一步展开具体的形式为： and IFterml 商问题(TSP)、指派问题(Assignmentproblem)、Job- shop调度问题、组合优化问题等，取得了一系列较好词组term为某一个条件属性的取值。特别说明的 的实验结果。 是：同一规则中不能同时出现两个词组属于同一个属 本文提出了一种基于快速蚁群算法的分类规则 性的取值域。 发现算法，就是利用蚁群算法中的信息正反馈原理和 1．1-2如何构造规则 某种启发式算法的有机结合，来搜索全局最优解。本 构造规则，即构造初始解，利用当前蚂蚁反复地 算法模仿蚁群觅食方式来构造分类规则，采用与文 一次一个词组加入规则前件当中，直到再添加任一个 [5]中不同的启发式函数，并且设计了局部搜索算法， 词组将使得规则不能覆盖足够多的样例，然后把当前 同时利用局部信息素更新与全局信息素更新相结合 规则前件所覆盖的训练集中占最多数的类，作为规则