数据挖掘是通过对数据的分析和理解,从而获得隐含在数据背后的有用信息。根据数据挖掘任务的不同,可以将数据挖掘的模式分为以下几种:分类模式、预测模式、关联规则模式、回归模式、聚类模式、时间序列模式等。不论是哪一种模式,算法都起着非常重要的作用。 本文主要是对分类模式的算法进行研究,其主要工作包括以下几个方面: 1) 总结了目前分类模式中常用的方法。 2) 介绍粗糙集理论和遗传算法的基本理论、概念,并总结了粗糙集理论中属性约简的经典算法。 3) 介绍了一种基于依赖度的属性核求取算法,并对此算法进行了改进,改进后的算法可以求取属性的一个约简。 4) 在对遗传算法和粗糙集理论研究的基础上,提出一种基于粗糙集理论和遗传算法的分类算法,并用一个数据集对该算法进行验证。该分类算法也对简单遗传算法进行了改进,增加了动态改变交叉率和变异率的思想。 论文共分5章。第一章简单介绍了数据挖掘的产生和发展,并总结了当前数据挖掘研究的状况;第二章重点介绍粗糙集理论的相关知识,并介绍了几种经典的属性约简算法;第三章对遗传算法进行了介绍;第四章详细介绍了基于重要度和依赖度的属性约简算法,以及基于粗糙集和遗传算法的分类算法;第五章通过一组数据对该分类算法进行验证。