论文部分内容阅读
分类是数据挖掘中的重要任务之一。基本显露模式（eEPs）是一种有趣的知识模式，能够反映两个不同数据集之间的某些显著差异并减少分类噪音，适合解决针对稠密数据集和高维数据集的分类问题。但是，传统的采用顺序覆盖策略分类算法无法解决小覆盖问题和反例碎片问题。提出了一种改进的基于eEPs模式的两阶段分类算法，它将eEPs模式作为分类模式，采用两阶段思想来构造分类器，特别是优化了评分策略和两个阶段的权重设置。同时与NB，CBA，C5．0，CMAR，CAEP，BCEP等方法的分类结果进行了比较，在UCI机器学习库中的1