39、多关系数据库分类方法解析

多关系数据库分类方法解析

1. 引言

传统的数据挖掘方法多基于单一关系，采用命题学习法或属性 - 值学习法，运用命题逻辑来表示知识和模型。而多关系数据挖掘（MRDM）则是一个多学科领域，它从关系数据库的多个关系表中提取模式。其利用归纳逻辑编程（ILP）、KDD、机器学习和关系数据库等技术，致力于直接从多关系数据集中发现新知识。与基于单一关系的挖掘方法不同，MRDM 直接对多关系数据进行挖掘，避免了预处理过程的复杂性和因压缩导致的信息丢失问题。

多数据库挖掘可分为三个步骤：
1. 对多数据库进行分类。
2. 挖掘每个数据库。
3. 对同一数据库挖掘得到的知识进行综合。

其中，第一步就是数据挖掘分类。分类是数据挖掘中常用的方法，其目的是为事件或目标进行分类。分类模型既可以用于现有数据，也可以用于预测未来数据。分类的目标是建立一个分类函数或分类模型（分类器），将数据库中的数据条目映射到给定的类别中。分类可用于预测，通过历史记录自动推导数据的特征描述，从而预测未来数据。

2. 多关系数据库分类研究现状

近年来，数据挖掘领域出现了许多分类算法，如决策树、关联规则、贝叶斯、神经网络、规则学习、k - 近邻、遗传算法、粗糙集和模糊逻辑技术等。然而，这些分类方法在关系数据库领域的应用研究仍然较少。

3. 多关系数据库分类方法

3.1 多关系决策树分类

决策树是一种类似于流程图的树结构，其中每个内部节点表示对一个属性的测试，每个分支表示测试输出，每个叶节点表示一个类别。在 CART 方法的基础上，为克服其语言局限性，引入了 S - CART 分类树到统计关系