基于概念格的分类系统的研究与实现

论文摘要

当今信息社会数据量剧增,人们被淹没在信息的海洋,数据挖掘技术应运而生。分类是数据挖掘中一项非常重要的任务。概念格以其知识表示的直观、简洁和完备特点而受到研究者的关注。近年来出现了一些基于概念格的分类算法。研究表明,对于基于概念格的分类算法,还有许多方法可以利用,存在很大的研究空间。在此背景下,我们对基于概念格的分类器进行了研究。本文主要工作是研制了一个基于概念格的分类系统CLRC,设计的主要思想是:首先利用概念的内涵缩减性质,从格中提取有效的分类规则;然后采用一种启发式策略利用分类规则构造分类器。实验采用UCI机器学习数据库中的数据进行测试,结果表明,CLRC 系统的分类准确率要明显优于传统的分类算法C4.5 和其它一些基于概念格的分类算法。

论文目录

• 第一章 绪论
• 1.1 研究背景
• 1.2 相关工作
• 1.3 本文主要工作
• 1.4 全文的组织结构
• 第二章 概念格的理论基础
• 2.1 引言
• 2.2 概念格的定义和基本术语
• 2.2.1 代数格
• 2.2.2 概念格
• 2.2.3 概念格与闭包系统
• 2.3 概念格构造算法
• 2.3.1 批处理算法（Batch algorithm）
• 2.3.2 增量算法（Incremental algorithm）
• 2.4 多值背景与多值定标
• 2.5 概念格的应用领域
• 第三章 基于概念格的分类规则提取
• 3.1 引言
• 3.2 基于概念格的关联规则语义
• Rule'>3.3 分类规则提取算法CL_Rule
• 3.3.1 内涵缩减
• 3.3.2 分类规则基
• Rule 算法'>3.3.3 CL_Rule 算法
• 3.4 分类规则挖掘实例
• 第四章 启发式分类器构造
• 4.1 分类过程举例
• Classifier 算法的简单版本'>4.2 CL_Classifier 算法的简单版本
• Classifier 算法'>4.3 改进的CL_Classifier 算法
• 第五章 分类系统CLRC 的设计
• 5.1 系统的构成
• 5.2 系统的实现问题
• 5.2.1 数据结构的选择和类结构的设计
• 5.2.2 实现中的几点考虑
• 5.3 系统性能比较
• 第六章 总结
• 6.1 工作总结
• 6.2 需要进一步完善的工作
• 6.3 未来工作展望
• 参考文献
• 附录攻读硕士学位期间发表的论文
• 摘要
• Abstract
• 致谢
• 导师及作者简介