适用于知识发现与数据挖掘的分解方法：理论及应用_数据挖掘与知识发现

　　O・梅蒙 L・罗卡希　著 　　数据挖掘是一门研究数据以便发现以前未知模式的科学技术,它是数据库知识发现(KDD) 过程的一部分｡多分类器方法学被认为是征服下列挑战的有效方法,即为了达到最大程度的可靠性､可理解性及复杂性,了解怎样利用各种技术｡该方法学的基本思想是建立由多个模型集成的模型｡研究人员在两种分类器方法学之间做了区分,即总体方法学和分解方法学｡
　　本书把注意力放在了对一般数据挖掘任务的分解上｡它介绍了把分类问题分解成较小的更加容易处理的子问题,而这些子问题是使用现有工具可以解决的｡然后把各种元素聚集在一起以便解决原本的大问题｡在数据挖掘中分解方法的好处包括了增加了性能(分类的准确性),问题的概念简化,对巨型数据库增加了可实现性,更清楚､更全面的结果,通过解决较小的问题和通过使用平行/分布式计算来减少运行时间,提供了对于单个子问题使用不同技术的机会｡这些特性都在本书中加以讨论｡在这本对分解方法学的综合研究中,作者试图回答下列几个极其重要的问题: (1) 在概念学习中存在着什么类型的基本分解方法; (2) 对于哪一种问题使用哪一种基本分解类型最佳,在选择适合的分解类型时应考虑哪些因素; (3) 给定一个基本类型,我们应该怎样能自动地推导出最佳的分解结构; (4) 子问题应该怎样重新组合以便代表原始的概念学习｡
　　本书共有11章｡第1章知识发现与数据挖掘概念及其基本状况;第2章决策树;第3章群集方法;第4章总体方法;第5章基本的分解框架;第6章特征集合分解;第7章空间分解;第8章样本分解;第9章功能分解;第10章概念聚集;第11章用于分解方法学的元分类｡
　　本书是由世界科技出版社出版的《机器认知与人工智能丛书》第61卷｡它具有如下4个特点: (1) 使得实际的数据挖掘项目成为可行的; (2) 包含了对算法的详细介绍; (3) 使得对数据挖掘模型的实际理解成为可能; (4) 通过详细的实例研究对理论作了证明与解释｡本书是专门为信息系统､工程､计算机科学､统计学与管理领域的研究人员编写的｡此外那些从事社会科学､心理学､医学､遗传学以及其他涉及大量数据工作的专业人员也会从本书受益｡
　　胡光华,高级软件工程师
　　(原中国科学院物理学研究所)