随着数据库技术的成熟应用和Internet的迅速发展，人类积累的数据量正在以指数速度增长。对于这些数据，人们已经不满足于传统的查询、统计分析手段，而需要发现更深层次的规律，对决策或科研工作提供更有效的决策支持。正是为了满足这种要求，从大量数据中提取出隐藏在其中的有用信息，将机器学习应用于大型数据库的数据挖掘(Data Mining)技术得到了长足的发展。 所谓数据挖掘(Data Mining，DM)，也可以称为数据库中的知识发现(Knowledge Discover Database，KDD)，就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。发现了的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的维护。因此，数据挖掘是数据库研究中的一个很有应用价值的新领域，它又是一门广义的交叉学科，融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。 分类在数据挖掘中是一项非常重要的任务，目前在商业上应用最多。分类的目的是学会一个分类函数或分类模型，该模型能把数据库中的数据项映射到给定类别中的某一个。许多分类的方法已被机器学习、专家系统、统计学和神经生物学方面的研究者提出。本论文主要侧重数据挖掘中分类算法的研究，并将分类算法划分为急切分类和懒散分类，全部研究内容基本围绕着这种划分方法展开。 本文的主要研究内容： 1．讨论了数据挖掘中分类的基本技术，包括数据分类的过程，分类数据所需的数据预处理技术，以及分类方法的比较和评估标准；比较了几种典型的分类算法，包括决策树、k-最近邻分类、神经网络算法；接着，引出本文的研究重点，即将分类算法划分为急切分类和懒散分类，并基于这种划分展开对数据挖掘分类算法的研究。 2．结合对决策树方法的研究，重点研究并实现了一个“懒散的基于模型的分类”思想的…懒散的决策树算法”。在决策树方法的研究中，阐述了决策树的基本概念以及决策树的优缺点，决策树方法的应用状况，分析了决策树算法的进一步的研究重点。为了更好地满足网络环境下的应用需求，结合传统的决策树方法，基于“懒散的基于模型的分类”的思想，实现了一个网络环境下基于B/S模式的“懒散的决策树算法”。实践表明：在WEB应用程序中采用此算法取得了很好的效果。 3．选取神经网络分类算法作为急切分类算法的代表进行深入的研究。在神经网络中，重点分析研究了感知器基本模型，包括感知器基本模型的构造及其学习算法，模型的几何意义及其局限性，并针对该模型只有在线性可分的情况下才能用感知器的学习算法进行分类的这一固有局限性，研究并推广了感知器模型。首都帅范大学硕士学位论文 数据挖掘分类算法的研究与应用 4．重点研究了一类感知器推广模型——代数超曲面神经网络模型。在这一 部分，首先介绍了代数超曲面神经网络模型的构造及其几何意义；然后， 详细阐述了代数超曲面神经网络学习算法的具体实现，以及此算法的实 验结果和创新之处；最后提出了进一步的研究目标。代数超曲面神经网 络模型在解决非线性问题上有很大的潜力，尤其对高维非线性数据分类 有独特优势。本研究的创新之处是算法的自适应升次计算，研究表明： 采用自适应建模方式后，大大提高了建模成功率。但是，对高维数据的 分类，存在内存受限的问题，还需要进一步的深入研究。