基于MAS的数据挖掘模型自动选择方法探讨.docVIP

基于MAS的数据挖掘模型自动选择方法探讨 　　【摘 要】数据挖掘可以将大量的业务数据转换成有利用价值的信息和知识，促进行业的发展，因此，数据挖掘已经引起了信息产业界的极大关注。利用数据挖掘技术为行业的发展解决各种实质性问题的关键是对数据挖掘模型的选择。本文就探讨一下基于MAS的数据挖掘模型自动选择方法。 【关键词】MAS数据挖掘 模型 自动选择方法 数据挖掘可以将大量的业务数据转换成有利用价值的信息和知识，促进行业的发展，因此，数据挖掘已经引起了信息产业界的极大关注。为了解决从大量数据中方便快捷的提取处对人们有用的数据，在许许多多的研究人员的努力下，数据挖掘逐步走向人工智能化，，并且逐步发展趋于成熟。利用数据挖掘技术为行业的发展解决各种实质性问题的关键是对数据挖掘模型的选择。传统的数据挖掘模型的设计对建模人员的专业知识依赖性很大，需要专业人员充分的对应用领域的业务特征进行分析，并对数据进行重复的探索，对算法进行反复的测试，所以，工作效率地，而且模型的准确度也不高。随着科学技术的发展，基于MAS的数据挖掘模型自动选择架构产生了，大大提高了建模效率、解决了知识服用困难等问题。经过人们的努力研究，人们发现，对于不同挖掘对象和应用需求，不同的数据具有着不同的重要性，因而面对各种不同数据对象分析提取需求，人们发展了多种不同的数据自动选择算法，不同的算法指导着不同的自动选择方法，本文就基于MAS的数据挖掘模型的自动选择方法进行探讨。 一、基于MAS的数据挖掘模型抽样自动选择方法 抽样自动选择方法是最基本的数据挖掘模型选择方法之一，它从原始数据库中抽取一样本，更加便于对数据的存储，同时可以减少数据挖掘的时间。还可采用哈希技术对抽样候选项目集进行修剪，为了减少数据库扫描次数，采用关联规则挖掘的基本模型对整个数据集采用关联规则进行优化。通过关联规则，可以使得对数据集中的频繁项目原数据集扫描一次就确定更新后的整个数据集中新频繁项目。 二、基于MAS的数据挖掘模型的分类自动选择方法 分类算法属于有指导的数据挖掘方法，而数据挖掘方法同时又依赖取决于不同的算法。算法的目的就是为了建立一个分类函数或者分类模型从而把数据集中的数据项映射到给定的某一类别。从人们对有用数据的分类和提取这一需要发展至今，人们己经提出过很多算法。分类算法本身利用数据集的构造特点，人为地制造一个分类器对数据集中的各个样本数据加以筛选分类。为此，人们经过数代人的努力，人们创建了实用的数据选择方法，基于MAS的数据挖掘模型的主要有决策树数据自动选择法，后向传播数据自动选择法，贝叶斯数据自动选择法，它们分别基于决策树分类法，后向传播分类法和贝叶斯分类法。 （一）基于MAS的数据挖掘模型的决策树自动选择法 决策树自动选择法，利用决策树分类法，通过对训练样本集，可以把分类模型给出的预测试集数据的类别分类的相当直观更加易于理解，用户在不懂模型原理的情况下也可以进行分类。决策树自动选择法发展至今，已经不再单单是加入信息量度量的ID3算法，它已经扩充到了现在的多种算法。决策树自动选择法对应用于数据挖掘特征选择和挖掘样本的规模有较大关系，据相关文献研究，决策树选择方法实现了旋转机械的轴承缺陷的抽取，该研究通过优化样品选择，提高了决策树自动选择法的准确性。 （二）基于MAS的数据挖掘模型的法后向传播自动选择法 基于MAS的数据挖掘模型的后向传播自动选择法利用后向传播神经网络由于具有良好的非线性映射能力和对任意函数的准确逼近能力，使得其处理分类问题能获得很高精度。神基于MAS的数据挖掘模型的后向传播自动选择法在噪声环境下也能很好的完成分类任务。同时，它无需提供被分析数据之外的任何先验信息。虽然基于MAS的数据挖掘模型的后向传播自动选择法精确度非常高，但是它也存在自身缺点，网络训练时间较长，不适用于处理多维大规模的数据，而且基于MAS的数据挖掘模型的后向传播自动选择法是利用神经网络挖掘的结果，该模式本身不具有可理解性，使得人们对网络的学习和决策过程难以理解，从而，缩短基于MAS的数据挖掘模型的后向传播自动选择法的网络训练时间和使其变得具有可理解性是被人们广泛关注的问题。 （三）基于MAS的数据挖掘模型的贝叶斯自动选择法 基于MAS的数据挖掘模型的贝叶斯自动选择法通过运用贝叶斯分类算法，可以预测一个给定样本属于某一类别的概率，要理解这一自动选择方法，需要人们具有较强的学习和推理能力。基于MAS的数据挖掘模型的贝叶斯自动选择法对于人们来说，经过学习和推理，可以很容易被人们所理解，但是其准确性却有待提高，这是由于贝叶斯定理的自身限制所造成的。贝叶斯定理本身的成立就需要一个很强的独立性假设前提，然而这种假设前提在实际情况中通常并不是成立的，因而，其自身的性质决定着其准确性会下降。使用基于MAS的数据挖掘模型的贝叶