神经网络在数据挖掘中的分类与规则提取研究

"这篇硕士学位论文主要探讨了基于神经网络的数据挖掘方法，特别是在数据分类中的应用。作者郭翠翠在导师钟珞的指导下，深入研究了如何利用人工神经网络来提高数据挖掘的效率和准确性。" 在人工智能领域，数据挖掘是一种核心技术，它涉及从海量数据中发现有价值的信息和模式。数据挖掘不仅仅是简单的数据处理，而是通过揭示未知的、有效的和实用的知识来驱动决策和洞察力。与传统的假设验证方法不同，数据挖掘强调的是从数据中直接探索知识。 分类作为数据挖掘的关键技术，其目标是识别数据集中的共同特征，并据此将数据划分为不同的类别。这个过程包括构建分类模型和使用模型进行预测。分类模型的评估通常基于预测准确率，只有当准确率满足要求时，模型才能用于未知数据的分类。 人工神经网络是模仿人脑神经系统的计算模型，它不仅具备处理数值数据的能力，还能进行学习、记忆和推理等知识处理任务。在基于神经网络的数据挖掘中，主要流程包括数据预处理、规则提取和规则评估。论文中，作者郭翠翠关注了教学型和分解型规则抽取算法，特别是分解型算法（RX）。通过关联分析优化输入输出神经元，使用径向基函数（RBF）神经网络减少输入节点，简化网络结构，从而提高计算效率。实验结果在两个UCI数据集上得到了验证，证明了这种方法的有效性。 鉴于没有一种单一的分类方法能适用于所有问题，因此对各种分类方法的改进和优化是一个持续的研究领域。这篇论文的贡献在于提出了一种改进的基于神经网络的分类方法，旨在提高数据挖掘的效率和精度，这对于未来的人工智能和数据科学实践具有重要的理论和实际意义。 关键词：数据挖掘，分类，规则抽取，神经网络，分解型算法，UCI数据集，RBF神经网络