CBR代表基于案例的推理。CBR分类器需要一个问题解决方案数据库来阐明新问题。与保存训练元组作为欧几里得空间中点的最近邻分类器不同，CBR 将用于解决问题的元组或“案例”保存为复杂的符号表示。CBR 的各种商业应用包括客户服务帮助台的问题解决，其中案例描述了与产品相关的诊断问题。CBR 已应用于工程和法律等领域，其中案例分别为技术设计或法律裁决。医学教育是 CBR 的一个应用，其中患者病史和治疗方案用于支持诊断和考虑……阅读更多

贝叶斯分类器是统计分类器。它们可以预测类成员概率，包括给定样本属于特定类的概率。贝叶斯分类器在处理大型数据库时也显示出很高的效率和速度。一旦定义了类，系统应该推断控制分类的规则，因此系统应该能够找到每个类的描述。描述应该只参考训练集的预测属性，以便只有正例应该满足描述，而不是负例。如果规则的描述涵盖……阅读更多

属性选择度量是一种启发式方法，用于选择“最佳”地将给定的类标记训练元组数据分区 D 分隔成单个类的分裂测试。如果它可以根据分裂标准的结果将 D 分裂成更小的分区，理想情况下，每个分区都可以是纯的（即，落入给定分区中的元组都属于同一类）。从概念上讲，“最佳”分裂标准最接近于产生这种结果的方法。属性选择度量称为分裂规则，因为它们决定如何在给定节点处划分元组。属性选择……阅读更多

决策树归纳是从类标记训练元组中学习决策树。决策树是一种类似序列图的树状结构，其中每个内部节点（非叶节点）表示对属性的测试，每个分支定义测试的结果，每个叶节点（或终端节点）表示一个类标签。树中最高的节点是根节点。它定义了概念“购买电脑”，即它预测 AllElectronics 的用户是否可能购买电脑。内部节点用矩形表示，叶节点用椭圆表示。有各种决策树……阅读更多

分类是一种数据挖掘方法，它将元素分配到一组数据中，以帮助进行更有效的预测和分析。当有两个目标类时，通常使用分类，称为二元分类。当可以预测两个以上类时，尤其是在模式识别问题中，这被定义为多项式分类。然而，多项式分类可用于分类响应数据，其中需要预测哪些类别中的实例具有最大的概率。数据分类是一个两阶段的过程。在第一阶段，构建一个分类器，定义预定的数据集……阅读更多

规则约束可以分为以下五个要素：反单调性——约束的第一个要素是反单调性。考虑规则约束“sum(I.price) ≤ 100”。考虑它使用 Apriori 框架，在每次迭代 k 中分析大小为 k 的项集。如果项集中的项的成本总和不小于 100，则可以从搜索空间中缩短此项集，因为向集合中插入更多项只会使它更昂贵，因此不会满足约束。反单调约束的修剪可用于……阅读更多

数据挖掘是通过使用包括统计和数学技术在内的模式识别技术，通过传输存储在存储库中的大量数据来查找有用的新关联、模式和趋势的过程。它是对事实数据集的分析，以发现意想不到的关系，并以对数据库所有者既合乎逻辑又有所帮助的新颖方式总结记录。它是选择、探索和建模大量信息以查找最初未知的规律或关系的过程，从而为数据库所有者获得清晰且有益的结果。数据挖掘类似于……阅读更多

数据挖掘过程可以从给定的信息集中发现数千条规则，其中大多数最终对用户来说是无关紧要的或冗长的。用户最清楚挖掘的哪个“方向”可以导致有趣的模式以及他们可能希望发现的模式或规则的“形式”。因此，一个好的启发式方法是让用户将这种直觉或期望定义为约束以约束搜索空间。此策略称为基于约束的挖掘。基于约束的算法需要约束来减少频繁项集生成步骤（关联规则生成步骤……阅读更多

关联规则聚类系统涉及以下步骤：分箱——定量属性可以具有代表其域的广泛值范围。可以考虑如果绘制年龄和收入作为轴，其中每个可能的年龄值都在一个轴上创建一个特定位置，并且同样，每个可能的收入值都在另一个轴上创建一个特定位置，那么二维网格会有多大。为了保持网格大小可控，可以将定量属性的区域划分为区间。这些……阅读更多

在朴素方法中，可以挖掘频繁项集的完整集合，然后删除每个频繁项集，它是当前频繁项集的真子集，并给出相同的支持。此方法可以导出 2100−1 个频繁项集以获得长度为 100 的频繁项集，所有这些都在开始删除冗余项集之前。推荐的技术是在挖掘阶段精确地搜索封闭频繁项集。这需要我们在挖掘过程中识别封闭项集的方法时尽快修剪搜索空间。有各种修剪策略，包括以下内容：项……阅读更多