基于属性信息熵的knn算法改进分析-improved analysis of knn algorithm based on attribute information entropy.docxVIP

优秀毕业论文 精品参考文献资料 第 1 章 绪 论 1.1 选题的研究背景和意义 随着科学技术的飞速发展，在各个领域产生了大量的数据。数据挖掘（Data Mining， DM）就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，识别有效的、新 颖的、潜在有用的信息和知识的过程[1]。它的出现为自动和智能地把海量数据转化为有 用的知识提供了有力的手段。它是一门涉及面很广的交叉学科，包括机器学习、数理统 计、神经网络、数据库、模式识别、粗糙集、模糊数学等相关技术。 分类算法是数据挖掘中的最重要的任务之一。分类是根据训练数据的信息构造一个 分类器, 利用分类器对未知类别的样本赋予类别的一种技术。分类技术具有广泛的应用， 例如医疗诊断、商业管理、文本处理等[2-6]。分类问题在人工智能、机器学习以及模式 识别等领域己经得到了广泛的研究，并己产生了许多的分类方法。按大的方向分类主要 有：决策树、粗糙集、k-邻近法、贝叶斯、支持向量机SVM、遗传算法、神经网络及基 于关联规则的分类算法[7-15]等。随着人工智能在各个领域的渗透，各种各样的方法都被 应用其中。而常用的一些分类方法由于其理论与实践相结合的相互优化后，更是日益易 于操作并且准确性有所提高。但实践证明，没有一种分类算法对所有的数据类型和定义 域都优于其他分类算法，每种相对较优的算法都有它具体的应用环境。 针对K-邻近法存