摘要：基于规则分类算法提取的规则集通常存在3个问题：首先,提取的分类规则集中短规则过少,致使高质量的规则不多;其次,规则集中规则数量少,训练数据中几乎所有实例仅被规则覆盖一次;第三,虽然提取大量的规则,但是训练数据中存在一些小类样本的实例不能被任何一条规则覆盖。本文提出一种改进的基于规则的实例多覆盖分类算法（Rule-based classification with instances covered by multiple rules,RCIM）,其特点是：（1）为了提高规则的质量,在选择生成规则的第1项时不仅考虑属性值的好坏,而且还考虑了属性值补的好坏;（2）一次产生尽量多,高质量的规则,而且当训练数据的实例至少被两条规则覆盖后才将其删除;（3）当遇上难以判断的测试数据时,对测试数据的各个属性值进行二次学习提取规则。算法RCIM不仅可以有效地提取大量的规则,而且较大程度地提高了规则的质量。通过在大量数据上实验结果表明,RCIM比许多其他算法取得了更高的分类准确率。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社