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。


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