广义分形插值理论及其在多尺度分类中的应用

基于广义分形插值理论的多尺度分类方法研究

传统的多尺度数据挖掘主要应用于遥感图像，通过图像分辨率或区域分割进行尺度划分并分析。近年来，学者们开始将多尺度方法应用于一般数据集，利用等级理论、概念分层等进行尺度划分，研究不同尺度层的规律，发现多尺度关联规则和多尺度聚类等现象。然而，在一般数据集下，多尺度方法在分类算法中的应用较少。

本研究提出了广义分形插值理论，突破了传统分形插值方法的局限性，拓展了其应用范围。基于此理论，我们设计了一种多尺度分类尺度下推算法 (MSCSDA)。该算法在UCI基准数据集和真实人口数据集上进行了验证，并与KNN、决策树和LIBSVM等算法进行了对比。结果表明，MSCSDA在不同数据集上均展现出优越的性能。