水平分布式數據背景異質性對分類算法的影響.pdf

1、隨著計算機網絡和數據庫技術的進一步發(fā)展，分布式計算環(huán)境的普遍存在促使分布式數據挖掘技術成為當今的一大研究熱點。在實際的分布式環(huán)境中，數據不僅在物理上是分散的，而且具有背景異質性，現有的分布式數據挖掘技術能夠對物理上分散的數據進行處理和分析，卻沒有解決背景異質性的問題，因而其應用范圍受到局限。本文以水平分布式數據的背景異質性為研究對象，通過量化的測試這種背景異質性對具體分類算法，全局錯分率和局部錯分率的相對變化進行了研究。主要內容包括：

2、 ⑴介紹了數據挖掘技術發(fā)展歷史，國內數據挖掘應用商務智能市場的發(fā)展背景和趨勢，以及國內外分布式數據挖掘研究現狀，課題來源和課題研究內容。 ⑵以數據挖掘的定義，過程以及對象為基礎，研究了分類學習的兩個基本過程，基于交叉驗證法建立分類學習器，用錯分率評估其準確性能的方法。分布式數據挖掘的發(fā)展需求和技術框架，探討了分布式計算環(huán)境中，數據分散存儲和水平分布的特點。 ⑶通過具體的商業(yè)虛擬企業(yè)水平分布式數據的特點研究，提出數據

3、源之間的差異為背景異質性的概念；確定研究的對象是水平分布式數據的背景異質性，并根據問題研究對象確定了研究思路和方案，軟件系統模型，最終建立問題研究的分析系統。 ⑷基于客戶購買行為和心臟病診斷兩個水平分布式實例數據集必要的預處理，參照交叉驗證的方法確立軟件系統分析方案，通過分析系統測試，分別對貝葉斯分類學習算法，函數分類學習算法，惰性分類學習算法和基于規(guī)則分類學習算法的全局錯分率和局部錯分率進行對比分析，最后，由此總結出四個數據背