分类是数据挖掘中一种重要的方法,通过在给定数据基础上,构建分类函数或分类模型为待分类的数据或对象找到精确的类别。关于分类的研究,本文做了以下主要工作:针对kNN算法在多参数进行分类时造成分类准确率低的问题,本文提出了多参数下的kNN分类算法。对于定量数据,通过构建综合指数模型,结合水文干旱方面的实例进行验证,结果表明,它能够将干旱、正常或者洪涝等类属进行准确划分;对于带有模糊信息的数据,如区间数据,提出了构造区间贴近度的方法,结合医疗诊断数据进行实例验证,结果表明,该方法能对病人的病情给出准确的诊断。针对经典C4.5分类算法在分裂属性选择时未考虑条件属性与决策属性间的关联性问题,本文提出了基于相关系数和PCA相结合的CP-C4.5分类算法。首先,根据相关系数原理,得出条件属性与决策属性之间的相关系数,确定条件属性对分类的重要性;其次,运用PCA算法,消除属性之间相关性的影响;最后,利用UCI数据集对算法进行实验对比,结果表明,本文所提出的CP-C4.5算法在保证分类准确率的前提下,提高了分类速度。综上,本文先介绍了与分类有关的基本理论知识。接着,对数据挖掘中kNN分类算法和C4.5决策树分类算法进行研究。重点对数据挖掘中两种典型的分类算法提出了改进,并运用实例验证了改进方法的合理性和有效性,但关于分类算法中距离度量,能否定义一种新的度量来提高分类的精度和速度的问题有待进一步研究。