浅析数据挖掘中的分类算法

产生积极影响。首先可以先建立决策树， 然后再根据在瓦斯监测中的数据特点, 将状态维作为本次的分类类别。取正常状态维是P 类( 正例) , 报警状态维是Q 类( 反例) ，然后建立相应的决策树进行数据挖掘。如下图1 中所示：

在本次所建立的决策树中，包括甲烷传感器、传感器以及风速传感器，对每个维成员的数据信息进行增益率计算, 将传感器最大信息增益率维当做一个决策属性的节点, 在通过为属性的取值来建立本节点的分支。要求分类面能将两类样本点分开，并且保证两分类空隙最大。对于其d 维空间中的线性判别函数，若是一般形式为，则分类面方程就是，然后在将判别函数进行归一化，确保两类样本满足，分类面样本都正确分类

。

两类样本的分类空隙间隔大小为：

最优分类面表示成约束优化问题，求函数最小值

可以定义函数Lagrange ：

基于决策树的数据挖掘里面瓦斯浓度维，计算出信息的增益率, 以此来作为决策树中的根结点，提高数据挖掘的效益。

2.2 应用分类算法实例二

针对校园教学系统，对其数据进行数据挖掘，应用分类算法进行数据挖掘，首先，就是应该确定出需要解决的一些目标问题，并设置数据挖掘模型。对于其数据挖掘步骤如下图2 所示：

分类是已知一共有多少类, 并明确知道该类的特点, 然后把未知的按一定规则分到某一个类中；分类可以多可以少, 当然数据量大才能很好地说明分类算法的优异. 但实际上分类算法在确定某些规则后, 你可以只有一个未知的数据也可以把它分到某一个类别当中。

class CAdodc : public CWnd

{protected: DECLARE_DYNCREATE ( CAdodc)

public: CLSID const& GetClsid()

{

s t a t i c C L S I D c o n s t c l s i d = { 0x67397aa3, 0x7fb1, 0x11d0, { 0xb1, 0x48, 0x0, 0xa0, 0xc9, 0x22, 0xe8, 0x20 }

};

return clsid;

}

virtual BOOL Create( LPCTSTR lpsz ClassName,

L P C T S T R l p s z WindowName, DWORD dwStyle,

const RECT& rect,

CWnd* pParentWnd, UINT nID,

C C r e a t e C o n t e x t * pContext = NULL)

{ return Create Control ( GetClsid(), lpszWindowName,

dwStyle, rect, pParentWnd, nID); }

BOOL Create (

LPCTSTR lpsz WindowName, DWORD dwStyle,

const RECT& rect,

CWnd* pParentWnd, UINT nID,

CFile* pPersist = NULL,

BOOL bStorage = FALSE,

B S T R b s t r L i c K e y = NULL)

{ return CreateControl( GetClsid(), lpsz Window Name, dwStyle, rect, p Parent Wnd, nID,

p P e r s i s t , b S t o r a g e , bstrLicKey); }

在分类算法中，还可以可以应用模糊分类的方法，对U 之中国的单因素Ui(i=1,2,…,m)，可以对其进行单因素的评价，然后可以根据因素ui 来确定处事物的评价等级，计算出vj(j=1,2,…,n) 隶属度，可以得到ri=(ril,ri2,…,rin) 向量，从而得到评价矩阵:

R 作为因素集U 以及评价集V 的模糊关系，可以用(ui，vj)=rij 来表示因素u。还可以进行模糊变换实现综合评价：

= A × = ( a 1 , a 2 , a 3 , … ,an)× = （bi1，bi2，bi3，bi4）

其中，bik= (aij ∧ rijk) (i=1，2，3 ； k=1，2，3，4)

3 结语

综上所述，针对数据挖掘中，应用分类算法，不仅可以提升数据挖掘中算法运行效率，还可以在数据挖掘中动态调用不同分类算法，使数据挖掘工作可以在稳定、高效环境中进行，对数据进行分类，大大提高数据挖掘中算法的性能与效率，发挥实际应用价值。

【参考文献】

[1] 甘杨兰, 赵梅, 牛森等. 基于云仿真环境数据挖掘的服务分类方法[J]. 计算机仿真,2014,31(10):460- 465.

[2] 李学明, 杨阳, 秦东霞等. 基于频繁闭项集的新关联分类算法ACCF[J]. 电子科技大学学报,2012,41(1):104-109.

[3] 覃梅. 数据挖掘分类算法在信用卡风险管理中的应用[J]. 现代计算机（专业版）,2013,(13):13-16.

图2 数据挖掘的流程图222

应用技术