2.8 基于群的分类方法
　　这种方法可以看作是进化算法的一个新的分支，它模拟了生物界中蚁群、鱼群和鸟群在觅食或者逃避敌人时的行为，对基于群的分类方法研究，可以将这种方法分为两类：一类是蚁群算法（ACO），信捷职称论文写作发表网，另一类称为微粒群算法（PSO）。
　　文献[14]提出了一种基于蚁群算法的分类规则挖掘算法，针对蚁群算法计算时间长的缺点，提出了一种变异算子，用公用数据作试验将其结果与C4.5和Ant-Miner比较，显示变异算子节省了计算时间。
　　PSO是进化计算的一个新的分支，它模拟了鸟群或鱼群的行为。在优化领域中，PSO可以与遗传算法相媲美。文献[15]提出了基于粒子群优化算法的模式分类规则获取，算法用于Iris数据集进行分类规则的提取，与其他算法比较显示不仅提高了正确率，而且较少了计算时间。文献[16]将PSO运用于分类规则提取，对PSO进行了改进，改进的算法与C4.5算法比较，试验结果表明，在预测精度和运行速度上都占优势。
　　由于PSO算法用于分类问题还处于初期，因此要将其运用到大规模的应用中还要大量的研究。
　　
　　3 总结
　　分类是数据挖掘的主要研究内容之一，本文对分类算法进行了分析，从而便于对已有算法进行改进。未来的数据分类方法研究更多地集中在智能群分类领域，如蚁群算法、遗传算法、微粒群算法等分类研究上以及混合算法来进行分类。总之，分类方法将朝着更高级、更多样化和更加综合化的方向发展。
　　
　　参考文献：
　　[1]邵峰晶，于忠清．数据挖掘原理与算法[M]．中国水利水电出版社，2003.
　　[2]陈文伟，黄金才．数据仓库与数据挖掘[M]．人民邮电出版社，2004.
　　[3]L.Jiang, H.Zhang, Z.Cai and J. Su, Evolutional Naive Bayes, Proceedings of the 2005 International Symposium on Intelligent Computation and its Application, ISICA 2005, pp.344-350, China University of Geosciences Press.
　　[4]Langley, P., Sage, S, Induction of selective Bayesian classifiers, in Proceedings of the Tenth Conference on Uncertainty in Artificial Intelligence (1994), pp. 339-406.
　　[5]Friedman, N., Greiger, D., Goldszmidt, M., Bayesian Network Classifiers, Machine Learning 29 (1997) 103-130.
　　[6]T.Mitchell. Machine Learning.NewYork: McGraw-Hill Press, 1997.
　　[7]曾黄麟．粗糙理论以及应用[M]．重庆大学出版社，1996.
　　[8]高海兵、高亮等．基于粒子群优化的神经网络训练算法研究[J]．电子学报，2004，9.
　　[9]熊勇，陈德钊，胡上序．基于旋转曲面变换PSO算法的神经网络用于胺类有机物毒性分类[J]．分析化学研究报告，2006，3.
　　[10]乔玉龙，潘正祥，孙圣和．一种改进的快速K近邻分类算法[J]．电子学报，2005，6.
　　[11]张国英，沙芸，江惠娜．基于粒子群优化的快速KNN分类算法[J]．山东大学学报，2006，6.
　　[12]黄景涛，马龙华，钱积新．一种用于多分类问题的改进支持向量机[J]．浙江大学学报，2004，12.
　　[13]毛建洋，黄道．一种新的支持向量机增量算法[J]．华东理工大学学报，2006，8.
　　[14]吴正龙，王儒敬等．基于蚁群算法的分类规则挖掘算法[J]．计算机工程与应用，2004.
　　[15]高亮，高海兵等．基于粒子群优化算法的模式分类规则获取[J]．华中科技大学学报．2004，11.
　　[16]延丽萍，曾建潮．利用多群体PSO生成分类规则[J]．计算机工程与科学，2007，2.