计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2006年
23期
154-157,172
,共5页
邓松%元昌安%赵波%段磊%杨乐婵%饶元%廖剑平
鄧鬆%元昌安%趙波%段磊%楊樂嬋%饒元%廖劍平
산송%원창안%조파%단뢰%양악선%요원%료검평
分类%基因表达式编程%神经网络%属性约简
分類%基因錶達式編程%神經網絡%屬性約簡
분류%기인표체식편정%신경망락%속성약간
分类(Classification)是数据挖掘(Data Mining)中的一个重要研究方向,目前传统的方法有:神经网络,Fisher判别法等.神经网络缺乏对分类结果的直观解释;Fisher判别对于大数据集分类准确率大大下降,且不具有属性约简能力.为此,该文做了如下工作:(1)提出了自动获取最佳阈值的思想;(2)对于错分的实例,提出了运用神经网络分类器二次分类的思想;(3)提出了基于基因表达式编程和神经网络的属性约简分类算法(Attribution Reduction Classification Algorithhms Based on GEP and Neural Network,ARCA-GEPNN);(4)实验表明,ARCA-GEPNN的分类精度比Fisher判别提高了约25%,比GEP提高了约21%.
分類(Classification)是數據挖掘(Data Mining)中的一箇重要研究方嚮,目前傳統的方法有:神經網絡,Fisher判彆法等.神經網絡缺乏對分類結果的直觀解釋;Fisher判彆對于大數據集分類準確率大大下降,且不具有屬性約簡能力.為此,該文做瞭如下工作:(1)提齣瞭自動穫取最佳閾值的思想;(2)對于錯分的實例,提齣瞭運用神經網絡分類器二次分類的思想;(3)提齣瞭基于基因錶達式編程和神經網絡的屬性約簡分類算法(Attribution Reduction Classification Algorithhms Based on GEP and Neural Network,ARCA-GEPNN);(4)實驗錶明,ARCA-GEPNN的分類精度比Fisher判彆提高瞭約25%,比GEP提高瞭約21%.
분류(Classification)시수거알굴(Data Mining)중적일개중요연구방향,목전전통적방법유:신경망락,Fisher판별법등.신경망락결핍대분류결과적직관해석;Fisher판별대우대수거집분류준학솔대대하강,차불구유속성약간능력.위차,해문주료여하공작:(1)제출료자동획취최가역치적사상;(2)대우착분적실례,제출료운용신경망락분류기이차분류적사상;(3)제출료기우기인표체식편정화신경망락적속성약간분류산법(Attribution Reduction Classification Algorithhms Based on GEP and Neural Network,ARCA-GEPNN);(4)실험표명,ARCA-GEPNN적분류정도비Fisher판별제고료약25%,비GEP제고료약21%.
