论文部分内容阅读
随着信息技术的不断发展和企业竞争的加剧,数据挖掘越来越多地应用于企业的生产和管理中。这一趋势的持续和企业数据的膨胀,只靠传统的单机已难以胜任,此时采用并行处理技术是解决效率问题的有效途径之一。在数据挖掘的基础上,加上管理思想、管理技术的不断发展,客户关系管理(customer relationship management,CRM)已逐渐在企业中推广应用。接触点管理、提高客户的赢利能力、客户的细分、交叉营销等是客户关系管理的重要组成部分。从数据挖掘的观点来看,它们都与分类算法密切相关。因此研究好分类算法对于企业充分利用CRM,意义十分重大。分类算法常见的有判定树归纳分类、贝叶斯分类和贝叶斯网络、k-最临近分类、粗糙集方法以及模糊集方法。实际应用中对这些算法进行取舍时,可以从准确度、速度、伸缩性、强壮性和可解释性等几个方面来评价。综合这几个指标,贝叶斯分类算法的优点较为突出。该算法基于贝叶斯定理,可解释性方面可以与判定树相比,准确度可和神经网络分类算法相媲美,用于大型数据库时该算法已表现出高准确度与高速度。朴素贝叶斯分类算法应用于连续属性值时并不太理想,为此本文结合Holte的1R离散化方法和熵的原理,提出了一种新的离散化方法。该方法至下而上地合并区间,不分解区间,也不采用熵的离散化方法所用的递归进程,更避免了熵方法中必须对每一个值进行试探来选择分割点的弱点。集群系统有与专用的并行系统相竞争的性能,其性价比已占优势,其中的PVM应用相当广泛。本论文在PVM的基础上研究并实现了优化贝叶斯算法的并行化,并且分析了该算法的加速比和时间复杂度,分析表明在类比较多、或者待分类的数据样本比较多时,用该并行算法可以较大幅度提高数据分类的效率。论文最后讨论了该并行算法在企业中的应用模式及意义,进一步说明所涉及并行贝叶斯分类算法的实用性。