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