基于GEP和模糊系统的混合模型在分类规则挖掘中的应用的任务书.docxVIP

基于GEP和模糊系统的混合模型在分类规则挖掘中的应用的任务书

任务背景：

数据挖掘是一项新兴技术，对于帮助企业发掘数据中隐藏的知识和信息至关重要。其中分类规则挖掘是一种常见的数据挖掘技术，可用于解决分类问题。然而在实际应用中，分类规则挖掘常常面临规则复杂性高、泛化性能差等问题，因此需要寻求更加有效的解决方法。

任务描述：

本任务需要基于GEP（基因表达式编程）和模糊系统，设计并实现一个混合模型，在分类规则挖掘中取得更好的效果。具体任务如下：

1.研究GEP和模糊系统的基本原理和应用场景。

2.探究GEP和模糊系统在分类规则挖掘中的各自优势和不足，分析将二者进行混合的可行性及必要性。

3.设计混合模型的架构，包括模型输入输出、模型参数及优化算法等。

4.基于数据集进行实验验证混合模型的性能表现，包括准确率、召回率、F指数、模型规则数量等性能指标，并与其他分类规则挖掘方法进行对比分析。

5.对实验结果进行总结和讨论，展望混合模型未来的研究方向。

任务要求：

1.需要具备机器学习、数据挖掘等相关背景知识。

2.需使用MATLAB等相关工具进行实现。

3.需要记录详细的实验数据和实现过程，并编写相关实验报告。

4.任务完成后需要进行汇报，对相关研究者进行说明和解答相关问题。

参考文献：

[1]TanY.Miningassociationruleswithpositiveandnegativequantifiersusinggeneticprogramming[J].InformationSciences,2011,181(8):1481-1497.

[2]DeyN,AshourAS,BhatiaS.Classificationofbiomedicalimagesusingfuzzy-computationalapproach[J].Computermethodsandprogramsinbiomedicine,2015,122(1):39-55.

[3]LarranagaP,LozanoJA.Estimationofdistributionalgorithms:anewtoolforevolutionarycomputation[M].SpringerScienceBusinessMedia,2002.