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参考文献（48篇文章引用）

显示结果1到20，共48个。
按年份排序(引用)
  1. Tahmassibi，Amirhessam；Gandomi，Amir H.；Schulte，Mike H.J.；Goudriaan，Anna E.；Foo，Simon 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）
  2. 阿勒泰，阿伊卡；锡纳，迪迪姆：模糊决策树（2016）
  3. 数据挖掘；数据挖掘。理论与应用。（2015年）
  4. Baralis，Elena；Cagliero，Luca；Cerquitelli，Tania；D'Elia，Vincenzo；Garza，Paolo:表达性广义项集（2014）
  5. Gama，Joėo；Žliobaitė，Indrė；Bifet，Albert；Pechenizkiy，Mykola；Bouchachia，Abdelhamid:概念漂移适应调查（2014）
  6. Khoshgoftaar，Taghi M.；Xiao，Yudong；Gao，Kehan：使用多策略分类器的软件质量评估（2014）ioport公司
  7. Nasridinov，Aziz；Lee，Yangsun；Park，Young Ho:基于GPU的决策树构建：无处不在的并行计算方法（2014）ioport公司
  8. Stojanova，Daniela；Ceci，Michelangelo；Appice，Annalisa；Džeroski，Sašo:预测聚类树网络回归（2012）
  9. Salehi Moghadami，Nima；Yazdi，Hadi Sadoghi；Poostchi，Hanieh:多分支决策树中基于相关性的分割准则（2011）
  10. 弗里肯，吉尔斯；范·列文，马蒂JS；希贝斯，阿诺：压缩的挖掘项目集（2011）
  11. 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）
  12. Chandra，B.；Kothari，Ravi；Paul，Pallath:决策树构建的一种新的节点分割度量（2010）
  13. Chandra，B.；Varghese，P.Paul：《迈向高效决策树构建》（2009）
  14. 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）
  15. Glimcher，Leonid；Jin，Ruoming；Agrawal，Gagan：集群和网格上数据挖掘应用的中间件（2008）ioport公司
  16. Gonzáles Aranda，P.；Menasalvas，E.；Millán，S.；Ruiz，Carlos；Segovia，J.：走向数据挖掘项目开发的方法论：抽象的重要性（2008）
  17. 胡慧玲；陈延亮：从数据库中挖掘典型模式（2008）ioport公司
  18. JoséCastro；Jimmy Secretan；Georgiopoulos，Michael；DeMara，Ronald；Anagnostopoulos，Georgios；Gonzalez，Avelino：无匹配跟踪的模糊艺术图流水线：正确性、性能界限和Beowulf评估（2007）
  19. Faloutsos，Christos；Megalooikonomou，Vasileios:关于数据挖掘、压缩和Kolmogorov复杂性（2007）ioport公司
  20. Yen，Ester；Chu，I-Wen Mike:放宽分类树中数值属性分裂点搜索的实例边界（2007）ioport公司