1、隨著計算機技術(shù)及通信技術(shù)的發(fā)展,各行各業(yè)產(chǎn)生了大量的數(shù)據(jù),為了揭示數(shù)據(jù)中隱含的規(guī)律,數(shù)據(jù)挖掘技術(shù)應運而生。目前,主要的數(shù)據(jù)挖掘方法有決策樹、神經(jīng)網(wǎng)絡、回歸分析、遺傳算法、粗糙集、聚類等。其中,粗糙集理論以數(shù)據(jù)的分類能力為基礎,在缺乏先驗知識的情況下,能夠解決潛在的、不確定的或含糊數(shù)據(jù)中的知識獲取問題。它已在模式識別、特征選擇、故障診斷等領域取得了成功應用。
　　 傳統(tǒng)的分類方法常采用一個分類器進行分類,這就要求這一分類器能在所有

2、的數(shù)據(jù)樣本上都有較好的分類能力,這是難以實現(xiàn)的。多分類器集成理論為解決單個分類器分類能力的不足提供了有效方法。但作為機器學習領域的一個重要課題,多分類器集成在粗糙集理論中的應用還沒有受到廣泛的關注。
　　 基于以上背景,本文把粗糙集理論引入多分類器集成,研究了基于粗糙集理論的集成學習方法,主要內(nèi)容如下:
　　 1、對基分類器的構(gòu)造方法進行了研究。本文根據(jù)Roughset理論、C4.5算法、NB算法等三種不同的分類算法對訓

3、練數(shù)據(jù)集隨機訓練得到三種類型的基分類器,包括粗糙分類器、貝葉斯分類器和決策樹分類器。
　　 2、對基分類器的差異性構(gòu)成進行了研究。根據(jù)分類器集成理論,基分類器差異性越大,分類器組合的分類效果就越好。本文在兩個方面體現(xiàn)了基分類器的差異性:一是基分類器是根據(jù)訓練數(shù)據(jù)集隨機生成的;二是基分類器采用三種不同類型的算法訓練得到。
　　 3、提出多分類器集成策略及方法。為了達到最好的集成效果,本文首先訓練多個不同類型分類器,并將訓練