大数据的分层分类优化识别仿真研究

摘要：

在对大数据环境下的分层分类挖掘过程中,由于非结构化数据大量涌现,使得数据结构属性不能统一,难以用表结构表示.采用传统方法时,不仅在记录数据数值的还要存储数据的结构,从而增加了数据分类的难度,导致分类精确度低的问题.提出改进叶贝斯理论的大数据环境下的分层分类挖掘方法.上述方法引入叶贝斯理论对数据库的数据进行详细的分析,输入大数据环境下的数据训练样本集,依据大数据训练样本集中每个数据的特征向量组建大数据的分层分类决策模型.在此基础上,利用最大间隔准则将分层分类模型中的每层高维数据投影到低维特征数据分类范围内,利用最小最大概率机对大数据进行分类优化.仿真证明,改进叶贝斯理论的大数据环境下的分层分类挖掘方法精确度高,适用性强.

关键词：分类规则、数据挖掘、贝叶斯理论

所属期刊栏目：32

分类号：TP18(自动化基础理论)

在线出版日期：2015-12-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：463-466