一種基于最小差異度的關聯分類方法
2009-01-01 00:00:00史娜張燕平
電腦知識與技術 2009年1期
摘要：關聯分類具有較高的分類精度和較強的擴展性，但是由于分類器是由高置信度的規則構成，因此有時會出現過擬合。因此考慮在fp-growth挖掘頻繁項的基礎上，計算頻繁項與測試數據間的最小差異度，即分類規則與測試數據的匹配程度。將最小差異度最小的類標號賦予測試數據。實驗結果表明，該算法較先前算法有較高的精確度，如CBA(chssification-Based Association)，CMAR(Classifircation based on Multiple Associadon Rules)，CPAR(Classificadon based on Preldictive AssociadOn Rules)。但是不足之處是精確度提高的代價是存儲頻繁項的矩陣過于龐大，系統開銷不小。
關鍵詞：頻繁項；矩陣；最小差異性；匹配；分類
中圖分類號：TP391 文獻標識碼：A 文章編號：1009－3044(2009)01－0177－03
