1、數(shù)據(jù)挖掘又稱數(shù)據(jù)庫中的知識(shí)發(fā)現(xiàn)，是從大量數(shù)據(jù)中用非平凡的方法發(fā)現(xiàn)有用的知識(shí)。分類是數(shù)據(jù)挖掘中的一項(xiàng)非常重要的任務(wù)，在商業(yè)、金融、電訊、醫(yī)學(xué)分析、科學(xué)研究等諸多領(lǐng)域具有廣泛的應(yīng)用。統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等領(lǐng)域的研究者提出了很多分類方法，大部分算法是內(nèi)存駐留算法，適用于小型數(shù)據(jù)集。隨著數(shù)據(jù)集的數(shù)據(jù)量和維數(shù)的增加，建立高效的、適用于大型數(shù)據(jù)集的分類法己成為數(shù)據(jù)挖掘的一個(gè)挑戰(zhàn)性任務(wù)。
　　分類是數(shù)據(jù)挖掘中一種主要的分析手段,它通過分析

2、數(shù)據(jù)，建立分類模型，生成分類規(guī)則，并用于分析新的數(shù)據(jù)。分類包括很多種方法如：決策樹、關(guān)聯(lián)規(guī)則、貝葉斯、神經(jīng)網(wǎng)絡(luò)、遺傳算法等。
　　C4.5決策樹是分類算法中分類效果比較理想的一種分類方法，是J.R.Quinlain[8]于1993年提出的針對 ID3的改進(jìn)算法。C4.5決策樹分類算法采用了信息增益比作為選擇測試屬性的標(biāo)準(zhǔn)，彌補(bǔ)了ID3的不足，具有良好的分類效果。
　　本文在C4.5決策樹算法的基礎(chǔ)上提出了Boosting集成