35、数据挖掘算法的性能比较与创新：IPADECS与GAR - SD的研究

数据挖掘算法的性能比较与创新：IPADECS与GAR - SD的研究

1. 引言

在数据挖掘领域，分类和子群发现是两个重要的任务。分类旨在根据已知类别的数据来预测未知实例的类别，而子群发现则侧重于在数据集中找出与特定属性相关的有趣模式。为了实现这些目标，研究人员提出了各种算法，本文将重点介绍IPADECS和GAR - SD这两种算法，并对它们的性能进行分析。

2. 分类数据集与IPADE和IPADECS算法

2.1 分类数据集概述

研究中使用了多个分类数据集，涵盖了不同的样本数量、属性数量和类别数量。以下是部分数据集的基本信息：
| 数据集 | 样本数(#Ex.) | 属性数(#Atts.) | 类别数(#Cl.) |
| — | — | — | — |
| bupa | 345 | 6 | 2 |
| car | 1728 | 6 | 4 |
| ecoli | 336 | 7 | 8 |
| german | 1000 | 20 | 2 |
| glass | 214 | 9 | 7 |

2.2 IPADE和IPADECS算法参数

IPADE和IPADECS是用于最近邻分类的迭代原型调整算法，它们的参数设置如下：
| 算法 | 参数 |
| — | — |
| IPADE | 基本DE迭代次数 = 500，iterSFGSS = 8，iterSFHC = 20，Fl = 0.1，Fu = 0.9 |
| IPADECS | 种群大小 = 10，基本DE迭代次数 = 500，iterSFGSS =