基于懶惰學習的顯露模式分類算法研究.pdf

1、顯露模式作為類別私有特征的規(guī)則表現(xiàn)形式，相比普通規(guī)則具有更強大的類別區(qū)分能力。但數(shù)量龐大的顯露模式集合中存在許多冗余模式，如何有效地對顯露模式進行選擇是當前研究的難點。傳統(tǒng)EP分類方法依據(jù)最小描述原則，保留最具有表達能力的短EP，構(gòu)建模式數(shù)量較少的分類器。但是該方法中存在顯露模式過度精簡，分類時模式選擇不合理等問題。因此，本文嘗試利用懶惰學習思想來改造傳統(tǒng)的EP分類方法，以克服上述問題。
　　本文的主要研究工作如下:
　　(

2、1)針對傳統(tǒng)EP分類方法存在的模式精簡過度、模式選擇不合理等不足，本文提出了基于懶惰學習策略的LLEP分類方法。該方法重新定義了顯露模式中的增長率及其計算公式，以更準確地發(fā)現(xiàn)不平衡數(shù)據(jù)集中的EP;引入懶惰學習思想，將EP模式的選擇以及分類器的構(gòu)建推遲到分類階段進行;為選擇具有更好分類效果的EP模式，在兼顧覆蓋率的同時，優(yōu)先使用長EP來構(gòu)建分類器;為進一步提升分類性能，提出基于等價類的壓縮策略，以排除部分對分類結(jié)果無影響的冗余模式。實驗結(jié)

3、果表明，使用懶惰學習策略構(gòu)建的LLEP分類方法，比傳統(tǒng)EP分類方法分類準確性更好。
　　(2)因果關(guān)系是關(guān)聯(lián)關(guān)系中的重要組成部分，可以描述屬性之間的內(nèi)在聯(lián)系。為克服馬爾可夫鏈中僅包含單個屬性間因果關(guān)系的局限，本文引入了因果顯露模式來描述屬性組合與類別標簽之間的因果關(guān)系;使用卡方估計方法來計算模式與類別標簽間的關(guān)聯(lián)度，然后選擇具有較高關(guān)聯(lián)度的EP作為因果關(guān)聯(lián)顯露模式;最后在LLEP分類方法的基礎(chǔ)上，構(gòu)造了基于因果顯露模式的CEP分類