基于机器学习的不确定数据增量式挖掘算法

作者：文明瑶; 廖伟国

来源：计算机仿真, 2021, 38(11): 290-294.

• 机器学习
• 增量式
• 数据挖掘
• 聚类

以实现数据增量式精准挖掘为目的,提出基于机器学习的不确定数据增量式挖掘算法。以机器学习算法中的模糊c-均值聚类(FCM)算法为基础,通过主成分分析法筛选原始数据集中指标,利用Relief算法计算指标权重,实现FCM算法改进。改进FCM算法通过阈值定义目标函数,经样本数据分类、特征提取和聚类,使目标函数达到最小值,实现数据挖掘。实验结果表明,上述算法的数据样本分类符合率可达99.28%,分类准确率在98%左右,且分类耗时短、效率高;特征提取能力受数据量增加影响较小;在数据增量情况下,改进算法增量式挖掘准确率保持在95%～98%之间,且所需迭代次数少。

• 单位
  华南农业大学珠江学院