17、高阶逻辑方法的知识挖掘与模糊ARTMAP神经网络的新剪枝技术

高阶逻辑方法的知识挖掘与模糊ARTMAP神经网络的新剪枝技术

1. 高阶逻辑方法的知识挖掘

在数据挖掘领域，选择合适的挖掘方法至关重要。有一个用于指导数据挖掘步骤中挖掘方法选择的本体，其决策流程如下：
- 首先判断目标属性是否可用：
- 若可用，则考虑是基于案例还是基于属性，以及目标属性的类型（数量和数据类型），进而选择预测（监督学习）方法，如多层感知器人工神经网络、分类（决策树、贝叶斯等）、线性回归、逻辑回归等。
- 若不可用，则选择描述（无监督学习）方法，如聚类（k - 均值、EM等）、关联挖掘。

目标属性可用性	挖掘类型	适用方法
可用	预测（监督学习）	多层感知器人工神经网络、分类（决策树、贝叶斯等）、线性回归、逻辑回归等
不可用	描述（无监督学习）	聚类（k - 均值、EM等）、关联挖掘

下面是这个决策流程的mermaid流程图：

graph TD;
    A[目标属性可用?] -->|是| B[基于案例或属性?];
    A -->|否| C[描述（无监督学习）];
    B --> D[目标属性类型];