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。


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)