决策规则挖掘是机器学习和数据挖掘中的一项重要技术。 在过去的几年中对此进行了深入的研究。 但是，大多数现有算法均基于平面数据集，从中提取的一组决策规则对于大规模数据可能非常大。 这样的一组规则不容易理解，对用户确实有用。 此外，太多规则可能会导致过度拟合。 因此，本文提供了一种分层决策规则挖掘的方法。 它可以从不同的抽象级别挖掘决策规则。 这种方法的目的是通过结合多维数据模型的层次结构和粗糙集理论的技术来提高决策规则挖掘的质量和效率。 该方法遵循所谓的“分而治之”的策略。 它不仅可以提供一种分层

粒计算是模拟人类思维和解决复杂问题的方法,它是复杂问题求解、海量数据挖掘、模糊信息处理的有效工具.文中首先分析并指出传统的规则获取方法存在的某些弊端,并从粒计算的角度分析属性约简的粒度原理,指出属性约简过程的本质是寻找决策划分空间的一个极大近似划分空间,而在极大近似划分空间上提取的规则可能不是最简规则.为此,提出一种基于最大粒的规则获取算法,该算法根据条件属性对论域形成的分层递阶的划分空间,自顶向下逐渐提取最大粒对应的规则.仿真实验表明该算法提高粗糙集的泛化能力.

微笑 是Java和Scala中快速而全面的机器学习，NLP，线性代数，图形，插值和可视化系统。 凭借先进的数据结构和算法，Smile可提供最先进的性能。 Smile的文献记录丰富，请查看项目以获取编程指南和更多信息。 Smile涵盖了机器学习的各个方面，包括分类，回归，聚类，关联规则挖掘，特征选择，流形学习，多维缩放，遗传算法，缺失值插补，有效的最近邻搜索等。 Smile实现以下主要的机器学习算法： 分类：支持向量机，决策树，AdaBoost，梯度提升，随机森林，逻辑回归，神经网络，RB

针对面向领域用户的决策规则挖掘问题, 用属性序描述领域用户的需求和兴趣, 模拟人脑分辨事物的过程, 提出了一种属性序下的分层递阶决策规则挖掘算法. 该算法在给定属性序下输出的决策规则集不仅具有唯一性, 且 对任意待识别样本不会作出矛盾的决策. 实例和仿真实验结果表明了算法的有效性和可行性.