人工智能分类方法的研究与应用.docxVIP

人工智能分类方法的研究与应用 1 类标记的预测算法 分类是一个相对古老的问题。它在机械学习、模式识别、数据结构、人工智能等领域得到了广泛的研究。分类问题可以定义如下:给定一个数据集,所给定的数据集称为训练数据集。训练数据集由一组数据库元组(常称作训练样本、实例或对象)构成,每个训练样本是一个由属性值或特征值组成的特征向量,而且每个训练样本还有一个类标号属性。一个具体的样本形式可为:(v1,v2,…,vn;c);其中vi表示属性值,c表示类标号。给定的训练数据集用来建立一个分类函数(常常也称作分类模型或分类器),所建立的分类器用来预测数据库中类标号未知的数据元组的类别。 作为一个古老的问题,分类在很多领域都得到了广泛的研究。到目前为止,已经研究出的经典分类方法主要包括: 决策树方法(经典的决策树算法主要包括:ID3算法、C4.5算法和CART算法等)、神经网络方法(BP算法)、遗传算法(GABIL系统)、贝叶斯分类、K-近邻算法和基于案例的推理。粗糙集方法、模糊集方法和支持向量机是较新的分类方法。 不同的分类方法有不同的特点。用来比较和评估分类方法的标准主要有:(1)预测的准确率。模型正确地预测数据类标号的能力;(2)速度。产生和使用模型的计算花费;(3)强壮性。模型对噪声数据或空缺值数据,正确预测的能力;(4)可伸缩性。对于数据量很大的数据集,有效构造模型的能力;(5)可解释性。