基于规则兴趣度的关联分类

摘要：

关联分类具有较高的分类精度和较强的适应性,然而由于分类器是由一组高置信度的规则构成,有时会存在过度拟合问题.提出了基于规则兴趣度的关联分类(ACIR).它扩展了TD-FP-growth算法,使之有效地挖掘训练集,产生满足最小支持度和最小置信度的有趣的规则.通过剪枝选择一个小规则集构造分类器.在规则剪枝过程中,采用规则兴趣度来评价规则的质量,综合考虑规则的预测精度和规则中项的兴趣度.实验结果表明该方法在分类精度上优于See5、CBA和CMAR,并且具有较好的可理解性和扩展性.

关键词：数据挖掘、关联分类、类关联规则、规则兴趣度

所属期刊栏目：43

分类号：TP311(计算技术、计算机技术)

资助基金：国家自然科学基金60473045;60573069

在线出版日期：2007-10-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：168-171