斯莱克

SLIQ：一种快速可伸缩的数据挖掘分类器。分类是数据挖掘新兴领域的一个重要问题。尽管分类在过去已经得到了广泛的研究，但是大多数分类算法都是针对内存驻留的数据设计的，因此限制了它们对大数据集的数据挖掘的适用性。本文讨论了构造可伸缩分类器的问题，并给出了一种新的分类器SLIQ的设计。SLIQ是一个决策树分类器，可以处理数值和类别属性。它在树木生长阶段使用了一种新的预排序技术。此排序过程与宽度优先的树增长策略相集成，以支持对驻留在磁盘上的数据集进行分类。SLIQ还使用了一种新的树修剪算法，该算法成本低廉，并且生成的树紧凑而精确。这些技术的结合使SLIQ能够扩展到大型数据集，并对数据集进行分类，而不考虑类、属性和示例（记录）的数量，因此它成为一种有吸引力的数据挖掘工具。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH中的参考文献（参考文献50篇文章)

显示第1到第20个结果，共50个。
按年份排序(引用)
  1. 卡尔扎瓦拉，斯特凡诺；卢卡斯，克劳迪奥；托洛米，加布里埃尔；阿贝贝，塞尤姆·阿塞法；奥兰多，萨尔瓦托市：训练规避意识决策树（2020）
  2. 塔马塞比、阿米哈桑；甘多米，阿米尔H。；舒尔特，米克·H·J。；古德里安，安娜E。；福，西蒙·Y。；Meyer Baese，Anke:功能磁共振戒烟分类的优化朴素贝叶斯和决策树方法（2018）
  3. 阿勒泰，阿伊卡；Cinar，Didem:模糊决策树（2016）
  4. 哈萨尼，侯赛因；黄、徐；席尔瓦，伊曼纽尔S。；Ghodsi，Mansi:犯罪数据挖掘应用回顾（2016）
  5. 罗卡，莱奥；Maimon，Oded:用决策树进行数据挖掘。理论与应用。（2015年）
  6. 巴拉利斯，埃琳娜；卡格里罗，卢卡；瑟奎特利，塔尼亚；德埃莉亚，文琴佐；Garza，Paolo:表现性广义项集（2014）
  7. 加马，乔昂；Žliobaitė，印度；比菲，阿尔伯特；佩切尼兹基，迈可拉；Bouchachia，Abdelhamid:概念漂移适应调查（2014）
  8. Khoshgoftaar，塔吉M。；肖玉东；Gao，Kehan:使用多策略分类器的软件质量评估（2014）ioport公司
  9. 纳斯里迪诺夫，阿齐兹；李阳孙；Park，Young Ho:基于GPU的决策树构建：泛在并行计算方法（2014）ioport公司
  10. 斯托亚诺娃，丹妮拉；塞西，米开朗基罗；阿皮斯，安娜丽莎；Džeroski，Sašo:预测聚类树的网络回归（2012）
  11. Salehi Moghadami，尼玛；亚兹迪，哈迪·萨多吉；Poostchi，Hanieh:基于相关性的多分支决策树分割准则（2011）
  12. 弗里肯，吉尔；Van Leeuwen，Matthijs；Siebes，Arno:Krimp:mining itemsets that compressed（2011年）
  13. Bifet，Albert:自适应流挖掘：从不断发展的数据流中进行模式学习和挖掘。（2010年）
  14. 钱德拉，B。；科塔里，拉维；Paul，Pallath:决策树构造的一种新的节点分割方法（2010）
  15. 钱德拉，B。；保罗：迈向高效决策树建构（2009）
  16. Popova，E.A.：用于处理脑电图信号的决策树委员会的并行构造方法（2009）
  17. 格里姆彻，莱昂妮德；金，若明；Agrawal，Gagan:集群和网格上数据挖掘应用的中间件（2008）ioport公司
  18. 冈萨雷斯·阿兰达，P。；Menasalvas，E。；米兰，南卡罗来纳州。；鲁伊斯，卡洛斯；Segovia，J.：走向数据挖掘项目开发的方法论：抽象的重要性（2008）
  19. 胡慧玲；陈延亮：从数据库中挖掘典型模式（2008）ioport公司
  20. 卡斯特罗，何塞；秘书，吉米；乔乔普洛斯，迈克尔；德玛拉，罗纳德；Anagnostopoulos，乔治亚；Gonzalez，Avelino:无匹配跟踪的模糊ARTMAP流水线：正确性、性能界限和Beowulf评估（2007）