显露模式分类器的级联新算法与实验研究

"cascading an emerging pattern based classifier全文翻译" 这篇论文探讨了基于显露模式的分类器的级联方法，旨在克服这类分类器存在的两个主要问题：全局离散化对数值属性的影响和对支持度阈值的高度敏感性。显露模式，即在特定类别中频繁出现而在其他类别中罕见的属性组合，是分类器构建的基础。它们提供了识别对象所属类别的依据。 文章首先介绍了分类器使用新兴模式的基本概念，强调了这种分类器的精确性和可解释性。然而，全局离散化过程可能导致信息丢失，降低分类准确性，而支持度阈值的选择直接影响分类效果，需要手动调整。 为了改进这一情况，论文提出了一种新的算法，该算法不需要全局离散化数值属性，从而保留更多原始信息。此外，作者还引入了一种级联分类器的构建方法，通过结合使用不同支持度阈值的分类器，既能利用高支持度阈值带来的高精度，也能利用低支持度阈值捕获更广泛的信息。级联结构允许分类器逐步处理输入，提高整体性能。 实验结果显示，级联的基于CEPM（Crisp Emerging Pattern Mining）的分类器在与最先进的分类器对比中表现出更高的精确度，包括那些基于显露模式的最精确分类器。这一发现证明了级联策略的有效性，尤其是在生物信息学、数据流分析、入侵检测等应用领域。 关键词：分类器级联、可理解分类器、显露模式分类器 在引言部分，作者指出监督学习的目标是通过代表性样本创建模式，用于预测或理解问题领域。显露模式分类器自Dong和Li的工作以来，已发展成为一种实用的工具，尤其在处理复杂数据集时。Bailey等人的工作是基于显露模式的分类器的一个里程碑，但其全局离散化和对支持度阈值的依赖限制了其潜力。 论文的其余部分详细描述了新算法的实现，包括如何从决策树中提取模式，以及如何构建和评估级联分类器。实验部分提供了具体的数据集和比较，进一步证实了新方法的优势。最后，结论部分总结了研究的主要贡献，并表达了对未来工作的展望。 这篇论文为基于显露模式的分类器提供了一个改进方案，通过级联和避免全局离散化，提高了分类的准确性和鲁棒性，为理解和应用这类分类器提供了新的视角。