Boosting算法中基分类器权重的动态赋值

Boosting是一种有效的分类器组合方法,其通过加权投票来组合多个基分类器进行分类.在对基分类器进行权重赋值时,该算法采用了以基分类器在当前训练集上的错误率的某种变形来对基分类器进行权重赋值,这是一种静态的赋值方法.介绍一种动态地对基分类器进行赋权重的方法,这种方法利用当前测试实例属于某个被错误分类数据子集的程度,并按照程度的大小给相应的基分类器赋适当的权重.跟静态赋权重相比,这种方法考虑了测试实例属性取值的不同,进而能动态地调整基分类器的权重,从而达到进一步优化分类性能的目的.实验表明,动态权重赋值的方法在大多数情况下跟静态赋值相比具有更好的分类性能.     

Boosting算法的理论分析

以AdaBoost算法为例介绍Boosting算法,概括其理论分析。回顾了关于Boosting的近期工作,包括AdaBoost训练误差和泛化误差的分析以及AdaBoost在分类问题的扩展。     

数据挖掘及其应用

对海量数据进行深入分析和利用,并从中发现有用的知识,已成为信息化社会所面临的重要问题.本文探讨近年发展起来的海量数据处理技术--数据挖掘的概念、任务、方法以及其在商业领域中的应用.     

数据挖掘及其应用

数据库—数据仓库技术和网络技术的迅猛发展,使我们积累了越来越多的数据,如何对这种海量数据进行深入分析和利用,并从中发现有用的知识,已成为信息化社会所面临的重要问题。本文探讨近年发展起来的海量数据处理技术——数据挖掘的概念、任务、方法以及其在商业领域中的应用。     

数据挖掘及其应用

对海量数据进行深入分析和利用,并从中发现有用的知识,已成为信息化社会所面临的重要问题。本文探讨近年发展起来的海量数据处理技术——数据挖掘的概念、任务、方法以及其在商业领域中的应用。     

Boosting算法在文本自动分类中的应用

随着网络信息的迅猛发展，如何快捷、准确地识别和获取有用信息显得更为重要。文本自动分类系统是信息处理的重要研究方向，它是指在给定的分类体系下，根据文本的内容自动判别文本类别的过程。Boosting算法是一种新兴的机器学习算法。在文本分类中应用Boosting算法经过试验证明是有效的，并且优于目前的大多数分类算法。     

数据挖掘技术在客户获取策略中的应用

对于客户获取策略中客户反应行为模式分析,从数据挖掘技术的角度可以归结为分类问题·依据组合分类方法的思想,提出一种基于遗传算法的多重决策树组合分类方法来提高分类的准确性和精确度·该组合分类方法将以概率度量水平的多重决策树进行并行组合,采用遗传算法优化连接权值矩阵·在仿真分析中采用二元反应行为模式的客户反馈仿真数据对该组合分类方法进行测试和评估·实验结果表明,在保持分类结果良好可解释性的基础上相比于单个决策树方法,该组合分类方法具有更高的分类精度,并优化了分类规则·     

浅谈数据挖掘技术及其应用

随着计算机及网络技术的发展, 使我们积累了越来越多的数据.仅仅通过传统方法难以完成对海量数据进行深入分析和利用.数据挖掘是一种智能化的、综合应用各种统计分析、数据库、智能语言来分析庞大数据资料的技术,在数据的利用和提取方面发挥着日益重要的作用.     

浅谈数据挖掘及其应用

本介绍了数据挖掘的概念、目的、过程以及与此相关的一些技术，并分析了数据挖的应用。     

Web文本数据挖掘技术及其在电子商务中的应用

简要介绍了数据挖掘、Web数据挖掘及Web文本数据挖掘技术。从特征项提取、文本关联分析、文本分类、文本聚类等方面对Web文本数据挖掘技术在电子商务中的应用作了探讨,并略述了Web文本数据挖掘技术的应用现状及其发展趋势。     

深度学习在海洋大数据挖掘中的应用

 介绍了深度学习的关键发展节点和应用发展历程,分析了深度学习在国内外主要领域的发展现状;概述了多个深度学习的关键算法原理,分析了深度学习在海洋数据重构、分类识别和预测等海洋大数据挖掘中的相关应用;提出了深度学习未来可能面临的问题,并从加强顶层设计、信息安全和强化算法鲁棒性等方面,展望了深度学习在海洋大数据挖掘中的应用前景。     

灰色趋势灾变预测及其在数据挖掘中的应用

分析了数据库中由异常数据组成的小样本序列的特点,给出了灾变序列的定义,结合系统云灰色预测模型,提出了灰色趋势灾变预测的方法,对灰色趋势灾变预测在数据挖掘中的应用进行了研究,给出了对数据库中“贫”信息数据序列进行数据挖掘的步骤．以全国旱涝灾害数据为研究对象,对全国水灾年份进行了预测分析,其预测结果与实际现象相符．     

数据挖掘在智能交通系统中的应用

目的将数据挖掘技术应用于智能交通系统中，利用挖掘得到的模式对交通管理决策提供有效支持。方法针对交通数据库系统中数据的特点，提出了基于概化的数据预处理方法，并在此基础上，采用基于树模型的关联规则挖掘算法进行关联规则挖掘。结果获得了良好的挖掘模式。实际应用说明了挖掘结果的有效性及可行性。结论数据挖掘技术在智能交通系统中的成功应用，为交通管理决策提供了有效支持，且提出的方法易于实现，便于推广。     

基于Web的数据挖掘应用模式研究

如何对Web上的海量信息进行高效的应用 ,使之能做到信息处理的智能化、个性化、自动化 ,是当今数据挖掘技术的最重要的应用。本文从分析Web上数据信息的特点入手 ,研究面向Web的数据挖掘需解决的主要问题 ,提出了一种基于Web数据挖掘的应用模式框架 ,并着重从功能的角度介绍了Web数据挖掘的演进过程。     

网络用法挖掘及其应用

介绍了数据挖掘、网络挖掘和网络用法挖掘技术的理论发展及其它们在实际中的应用情况,并在挖掘算法的改善提高过程中进行了探索性的研究.为了有效地帮助Web站点管理员管理Web站点,帮助商家调整整个市场策略,提出了一种在给定的Web日志中利用事务数据库中的挖掘序列模式的方法来发现所有的大访问路径的算法.结果证明该算法是行之有效的.     

网站个性化服务中WEB数据挖掘技术应用研究

阐述了网站个性化服务中WEB数据挖掘技术的概念和具体的形式,并探讨了WEB数据挖掘技术的流程,详细分析了3种主要网站个性化服务的技术特点。     

遗传算法在数据挖掘中的应用

本文对数据挖掘进行了概述,阐明了数据挖掘的概念、方法及其重要性。其次介绍了数据挖掘中的一个重要算法——遗传算法。对遗传算法的产生与发展以及主要理论等进行了简要的介绍,提出了基于遗传算法的关联规则的提取方法。最后结合实例给出了用遗传算法进行关联规则的挖掘方法。     

基于数据挖掘的ontology应用框架

提出了一个通用数据挖掘系统框架(GDMF)模型.其目的是为了能够从数据挖掘应用中抽取出核心功能并将其应用到可重用可扩展的原型系统中,以便快速地建造数据挖掘应用系统.在GDMF中ontology被用做语义数据模型.通过使用ontology驱动的数据挖掘查询语言,用户能够很轻松地表达一些复杂查询.最后,给出了使用GDMF作为一个建模工具去设计数据挖掘系统的方法.     

数据挖掘在智能题库系统中的应用

首先介绍了数据挖掘技术,接着介绍实现数据挖掘的关键问题,最后论述了如何利用数据挖掘技术实现 题库系统的智能化．     

数据挖掘技术在商业库存决策支持算法的研究

针对商业库存数据库中存在大量冗余特征和噪声,许多数据挖掘算法对于目标数据的维度非常敏感,随着数据特征的增加,算法的时间空间开销也急剧增加.商业库存决策支持数据挖掘算法利用粗糙集技术对数据作预处理,分析过滤这些冗余的例子,减少了噪声的干扰,减少了训练数据,运用粗糙集的分类算法和浮动搜索算法对浮动搜索算法进行了改进.并用此算法进行了仿真实现,验证了改进后算法的优越性.