文档介绍
数据挖掘机械学习算法探讨 摘要:随着我国经济技术的不断发展,信息技术水平也在不断的提升,计算机技术的广泛应用,对社会的各个领域都有着影响。信息系统在现在社会中也有着广泛的应用,在传统的数据分析以及统计技术的基础上有了一定的创新,现在社会在不断的进步,对大规模数据的研究力度应该加强,不断的挖掘出一些有用的知识,然后使挖掘技术不断的完善。机械学习算法有利于解决数据挖掘问题。机械学习可以进行自我完善,在这个过程中,计算机会逐渐的积累经验,从而提高自身的性能,机械学习的能力虽然没有人类大脑学习能力强,但是随着不断的创新,使计算机具备了从大量数据中提取特征、发现隐含规律的能力。也正是因为这样,数据挖掘中的机械学习算法也被广泛的运用。 关键词:数据挖掘；机械学习；学习算法；应用探讨 信息管理技术在各大企业中数据管理技术也被广泛利用,数据管理技术的广泛运用有利于企业内部职能部门之间的沟通联络。但是在使用的过程中还是有些不足之处,数据信息越来越多,这就会使数据分析具有一定的复杂性。 1完善GA-BP神经网络模型 本文就在传统的遗传算法的基础上提出了一种新的改进型遗传优化BP神经网络模型。这种神经网络模型对传统的这种神经网络模型在遗传算法的染色体结构和遗传算子两个方面进行了相关的优化,然后在进行BP神经网络结构参数改进的时候,采用了自适应交叉和变异概率,下面就对改进的过程进行了简要的分析说明。(1)设计染色体结构。控制基因和参数基因是上文所描述的新型染色体基因结构的两个表现形式,这种神经网络模型对传统的遗传算法的染色体结构和遗传算子进行了优化,从而对对BP神经网络结构参数进行改进。控制基因对BP神经网络结构参数的改进主要是对BP神经网络的隐含层节点数优化。另一种结构参数基因对BP神经网络的连接权值和阈值进行优化[2]。(2)对适应度函数进行设计,具体过程如下:在上述函数中,训练样本个数用n表