谢志鹏;徐文恩;刘宗田;李梦丽 基于概念格的复合分类器具有较高的可预测性。 (英语) Zbl 1024.68028号 J.实验理论。Artif公司。智力。 14,编号2-3143-156(2002). 概念格模型是形式概念分析的核心结构,已成功应用于软件工程和知识发现。本文将简单的基分类器(Naive Bayes或Nearest Neighbour)集成到概念格的每个节点中,形成一个新的组合分类器。开发了两个新的分类系统,CLNB和CLNN,它们使用有效的约束来搜索有趣的模式,并使用投票策略来对新对象进行分类。CLNB将朴素贝叶斯基分类器集成到概念节点中,而CLNN将最近邻基分类器集成在概念节点中。实验结果表明,这两种组合分类器大大提高了相应基分类器的准确率。此外,CLNB甚至优于其他三种最先进的分类方法,即NBTree、CBA和C4.5规则。 引用于1文件 MSC公司: 第68页,共15页 数据库理论 06B99号 格子 关键词:概念格模型;形式概念分析 软件:UCI-毫升;4.5条 PDF格式BibTeX公司 XML格式引用 \textit{Z.Xie}等人,J.Exp.Theor。Artif公司。智力。14、编号2--3、143-156(2002;Zbl 1024.68028) 全文: 内政部 参考文献: [1] Aha D.W.,《懒惰的学习》(1997) [2] Blanzieri,E.和Ricci,F.最近邻分类的最小风险度量。第十六届机器学习国际会议记录。斯洛文尼亚布莱德。第22-31页。 [3] Breiman L.,《机器学习》,第24页,第123页–(1996年) [4] Dasarathy B.,最近邻(NN)规范:NN模式分类技术(1991) [5] DOI:10.1023/A:1007413511361·Zbl 0892.68076号 ·doi:10.1023/A:1007413511361 [6] 杜达·R,模式分类和场景分析(1973)·Zbl 0277.68056号 [7] Fayyad,U.M.和Irani,K.B.分类学习中连续值属性的多间隔离散化。IJCAI-93会议记录,第1022–1027页。 [8] 内政部:10.1006/inco.1995.1136·Zbl 0833.68109号 ·doi:10.1006/inco.1995.1136 [9] 数字对象标识码:10.1023/A:1007465528199·Zbl 0892.68077号 ·doi:10.1023/A:1007465528199 [10] Ganter B.,形式概念分析:数学基础(1999)·Zbl 0909.06001号 [11] Godin R.,理论计算机科学,数据库和软件工程形式化方法专题133 pp 387–(1994) [12] Kohavi,R.提高Naive-Bayes分类器的准确性:决策树混合。第二届知识发现和数据挖掘国际会议论文集。加利福尼亚州门洛帕克,第202–207页。AAAI出版社。 [13] Liu,B.,Hsu,W.和Ma,Y.集成分类和关联规则挖掘。第四届知识发现和数据挖掘国际会议论文集。美国纽约,第80-86页。 [14] Mephu-Nguifo,E.Galois格子:概念学习、设计、评估和细化的框架。第六届人工智能工具国际会议论文集。美国新奥尔良,第461-467页。IEEE出版社。 [15] Merz C.J.,机器学习数据库UCI知识库(1996) [16] 内政部:10.1016/0031-3203(90)90123-3·doi:10.1016/0031-3203(90)90123-3 [17] Njiwoua,P.和Mephu-Nguifo,E.《实验的回归:LEGAL-E中学习偏见的研究》,《BENELEARN-96会议录》。第57-68页。马斯特里赫特:林堡大学。 [18] Pasquier N.,《信息系统》,第19页,第33页–(1999年) [19] 昆兰J.R.,C4.5:机器学习程序(1993) [20] Sahami,M.使用格学习分类规则(扩展抽象)。第八届欧洲机器学习会议记录。德国柏林。第343–346页。斯普林格-弗拉格。 [21] 内政部:10.1109/TIT.11981.1056403·Zbl 0464.62047号 ·doi:10.1109/TIT.11981.1056403 [22] Wille R.,《有序集》第445页–(1982) [23] DOI:10.1023/A:1007613203719·Zbl 02180966号 ·doi:10.1023/A:1007613203719 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。