斯利克

SLIQ：一种快速可伸缩的数据挖掘分类器。分类是数据挖掘领域中的一个重要问题。虽然分类在过去已经被广泛地研究，但是大多数分类算法只针对内存驻留数据设计，从而限制了它们对于数据挖掘大数据集的适用性。本文讨论了构建可伸缩分类器的问题，提出了一种新的分类器SLIQ的设计方法。SLIQ是一个决策树分类器，可以处理数值属性和分类属性。它使用了一种新的预分类技术在树木生长阶段。该排序过程与广度优先树生长策略集成，使磁盘常驻数据集的分类。SLIQ还使用了一种新的树修剪算法，其价格便宜，并导致紧凑和准确的树木。这些技术的结合使得SLIQ能够对大型数据集进行缩放，并对数据集进行分类，而不考虑类别、属性和实例（记录）的数量，从而使其成为数据挖掘的有吸引力的工具。

本软件关键词

这里的任何东西都将在支持画布元素的浏览器上被替换。

ZBMaCT中的参考文献（48篇文章中引用）

显示结果1至20的48。
按年份排序（引文）
  1. Tahmassebi，Amirhessam；甘道米，Amir H.；舒尔特，Mieke H. J.；Goudriaan，Anna E.；Foo，Simon Y.；Meyer Baese，ANKE:优化的朴素贝叶斯和决策树方法用于fMRI戒烟分类（2018）
  2. 阿勒泰，艾卡，Cina，DDENDE:模糊决策树（2016）
  3. Rokach，Lior；Maimon，ODID：决策树的数据挖掘。理论与应用。（2015）
  4. Baralis，埃琳娜；卡格利罗，卢卡；Cerquitelli，Tania；D'ELIa，文森佐；加尔萨，Paolo：表达性广义项集（2014）
  5. GAMA，Jo Sango；LoabaIT，吲哚；BiFET，艾伯特；PPECHIZKY，Mykola；BouChaja，Abdelhamid：概念漂移适应的调查（2014）
  6. Khoshgoftaar，Taghi M.；萧，余东；高，Khan:使用多策略分类器的软件质量评估（2014）伊波尔特
  7. Nasridinov，阿齐兹；李，Yangsun；Park，Young Ho：GPU上的决策树构建：普适并行计算方法（2014）伊波尔特
  8. Stojanova，达妮埃拉；切奇，米切朗基罗；Appice，安娜丽萨；D.ErOSKi，Saao:预测聚类树的网络回归（2012）
  9. Salehi Moghaddami，仁摩；Yadii，Hadi Sadoghi；PooStHi，Hhanih：基于多分支决策树的相关分裂准则（2011）
  10. Vreeken，Jilles；Van Leeuwen，Matthijs；Siebes，Arno：KRIMP：压缩压缩的项目集（2011）
  11. Bifet，艾伯特：自适应流挖掘：从演化数据流中学习和挖掘模式。（2010）
  12. 钱德拉，B；Kothari，Ravi；保罗，Palath:一种新的决策树构造的节点分裂测度（2010）
  13. 钱德拉，B；Valges，P. Paul：走向高效决策树构建（2009）
  14. 波波瓦，E. A.：并行构建一个用于处理脑电图信号的决策树委员会（2009）
  15. 格利姆彻，列奥尼德；靳，若明；AgavWAL，盖根：数据挖掘在集群和网格上应用的中间件（2008）伊波尔特
  16. 阿兰达，P；MasasalVas，E；Mr Saln，S.；鲁伊斯，卡洛斯；塞哥维亚，J:走向数据挖掘项目开发的一种方法：抽象的重要性（2008）
  17. 胡、惠玲、陈、Yen Liang：从数据库中挖掘典型模式（2008）伊波尔特
  18. 卡斯特罗，约瑟夫；吉米，Georgiopoulos，米迦勒；DeMara，罗纳德；AngNoStutouLOS，Georgios；冈萨雷斯，AVELINO：没有匹配跟踪的模糊ARTMAP的流水线：正确性、性能界和评价（2007）
  19. FalutsOS，Christos；MigaloikoNoou.VasiLeOS：关于数据挖掘、压缩和Kolmogorov复杂度（2007）伊波尔特
  20. 日元，酯，储，i-Mike：在分类树中搜索数值属性的分裂点的松弛实例边界（2007）伊波尔特