1、數(shù)據(jù)挖掘是一門交叉學科，涉及數(shù)據(jù)庫、統(tǒng)計學、人工智能和機器學習等多個領域，數(shù)據(jù)挖掘又稱數(shù)據(jù)庫中的知識發(fā)現(xiàn)，就是從大量數(shù)據(jù)中獲取的有效的、潛在有用的并且最終可理解的模式的非平凡過程，顯而易見數(shù)據(jù)挖掘就是從大量的數(shù)據(jù)里提取或者“挖掘”知識！分類是數(shù)據(jù)挖掘技術中一項非常重要的研究課題，利用分類可以從數(shù)據(jù)集中提取描述數(shù)據(jù)類相同的一個模型或者函數(shù)，并把數(shù)據(jù)集中的每個未知類別的對象歸結到某個已知的對象類中，目前的分類算法主要是統(tǒng)計分類法、神經(jīng)網(wǎng)絡、

2、決策樹等。不同的分類算法會產(chǎn)生不同的分類器，分類器的好壞直接影響到數(shù)據(jù)挖掘的效率和準確性。因而，當對海量的大規(guī)模的數(shù)據(jù)進行分類時，選擇最合適的分類算法是非常重要的。
　　但是分類的效果一般和數(shù)據(jù)的特點有關[1][2][3]，有的數(shù)據(jù)噪聲大，有的有缺值，有的分布稀疏，有的字段或?qū)傩蚤g相關性強，有的屬性是離散的而有的是連續(xù)值或混合式的，沒有一種方法能適合所有不同特點的數(shù)據(jù)。因此，本文針對分類算法中的經(jīng)典的ID3算法、樸素貝葉斯算法、B