混合特征数据的自解释归约建模方法  

Self-Explainable Reduction Method for Mixed Feature Data Modeling

作　　者：江思伟 谢振平[1,2] 陈梅婕 蔡明 

机构地区：[1]江南大学数字媒体学院,无锡214122 [2]江苏省媒体设计与软件技术重点实验室,无锡214122 [3]江南大学信息化建设与管理中心,无锡214122

出　　处：《数据分析与知识发现》2017年第12期92-100,共9页Data Analysis and Knowledge Discovery

基　　金：国家科技支撑计划项目"影视制作云服务系统技术集成及应用示范"(项目编号:2015BAH54F01);江苏省自然科学基金项目"概率一致性保持的流数据约简及在线分类学习"(项目编号:BK20130161)的研究成果之一

摘　　要：【目的】解决混合含有连续数值与标签特征量数据集的规则挖掘问题。【方法】提出数据集中特征维度间的互解释表示方法——自解释归约模型,模型通过最大化新设计的自解释归约目标实现对连续数值数据的自适应划分建模。【结果】针对标准数据集、模拟规则挖掘问题、以及实际问题的实验分析表明,本文方法具有显见的可行性及可用性,是对现有数据建模与关联规则挖掘方法的有效扩展。【局限】计算效率一般,还不能适应较大规模数据集的高速处理要求。【结论】技术方法上弥补了现有相关方法在解决混合特征数据建模问题时的局限性,通过理论与实验分析证明新方法具有较强的创新性及实用性。[Objective] This paper aims to mine the data with continuous numeric and label features. [Methods] We proposed a self-explainable reduction model to represent the data. The proposed model used the new reduction objective to create adaptive discrete division for continuous data dimension. [Results] We examined the new model with standard datasets and found it had better performance than the existing ones. [Limitations] The computational efficiency of the proposed method was not very impressive, which cannot meet the demand of large-scale data mining. [Conclusions] The proposed model is innovative and practical to model the mixed feature data.

关 键 词：混合型特征数据 自解释归约 数据建模 数据挖掘 

分 类 号：TP311.13[自动化与计算机技术—计算机软件与理论]