关联分类算法是一种结合关联和分类技术的算法,由于扩展性高、分类精度准等特点,进而得到了学者广泛的研究。算法通过对包含类属性的关联规则集合挖掘,将得到的频繁规则集合作为分类模型,利用模型完成对待分类数据的分类预测。关联分类算法是对数据进行分析处理的一个重要方向。然而,关联分类算法也存在着一些问题。在执行关联分类算法时,可能会产生出大量冗余的规则数据集合。这些集合不仅会在内存空间上带来资源消耗,还会影响分类结果。另外,在不平衡数据下,存在着少数类集合由于支持度过低难以被发现的问题。针对存在的问题,本文作出的主要研究贡献如下:(1)提出了一种基于二次学习的关联分类算法。改进的算法在二次学习阶段结合朴素贝叶斯分类,有效地解决了关联分类CBA算法在执行阶段未产生出与待分类数据相关联的规则集合问题。一系列实验证明了改进的二次学习关联分类算法的有效性,在一定程度上提高了分类预测结果的准确率。(2)提出了一种加权的关联分类算法。CBA算法在处理不平衡数据时,可能存在少数类集合的支持度小于设定的最小支持度的现象,从而导致少数类数据集合难以被发现。加权的关联分类算法对每个数据项及类属性赋予权重,通过计算各项的加权支持度,确保少数类规则集合数据的产生。经实验验证,改进的加权关联分类算法可以完成少数类数据的发掘,提高算法对少数类集合的预测能力。(3)提出了一种优化关联分类算法的方法。由于算法在分类器构造阶段仅以置信度为框架,可能导致过拟合问题的产生。优化的方法以规则前件的长度、置信度、支持度为框架,优先选取最优规则集合完成分类器的构造。该方法不仅在内存空间上减少冗余规则的出现,还降低内存空间的占用,达到提升性能的作用。