训练基于EP的分类器以提高分类的准确性
显露模式(EP)是支持度从一个数据集到另一个数据集发生显著变化的项集.EP具有很强的区分能力,可以建立很好的分类器.提出了一种可调整权值的基于EP的分类方法CEPAW(classificationbyemergingpatternswithadjustableweights).CEPAW使用基本显露模式(eEP)并聚合eEP的区分能力建立分类器.在聚合eEP的区分能力时,eEP的权值通过训练自适应地选取.与以支持度为权值的方法相比,CEPAW可以选取更合理的权值来聚合eEP的区分能力.在UCI机器学习数据库的11个基准数据集上的实验表明,CEPAW的分类准确率足以与NB,C5.0,CBA,CMAR,CAEP和BCEP等优秀分类法相媲美。
数据挖掘 分类 显露模式 可调整权值 机器学习数据库
温箐笛 范明
郑州大学计算机科学系,郑州,450052
国内会议
北京
中文
258-262
2005-09-23（万方平台首次上网日期，不代表论文的发表时间）