机器学习的方法在数据挖掘领域有广泛的应用。 在当今的机器学习领域，人们经常采用多预测模型的方法以提高预测的准确性。所有这些多预测模 型方法可以归为两类：(1)专家方法 (2)集成方法。 聚类方法在空间数据挖掘中有广泛的应用。应用于空间数据挖掘的聚类方法包括划分方法、层次方 法、基于密度的方法等。本文根据应用于空间数据挖掘的聚类方法的基本要求，提出了一种基于分布的 聚类算法DBCSD。 本文改进了Adaboost.M2算法，给出了具有属性选取的适应性属性推进方法，并且将该方法应用于 空间推进中。快速k-NN分类器方法可以显著减少计算量。 数据约简对于大型分布式数据库的数据挖掘也是非常有用的。在当今的数据挖掘领域中，在分布式 环境中学习的工作一般有两种方式：一种是将所有数据移往一个中心以进行进一步处理；另外一种是对 各地的数据分别产生预测模型，然后通过标准的机器学习方法进行移动和结合。随着网络系统的出现以 及数据量不断增加，前一种方法太昂贵，后一种方法太不精确。缩小数据库的规模，降低其维数，同时 又不丢失可以抽取的信息，这样可以为更有效、更精确的集中学习加速数据转移。数据约简通常采用步 进采样技术，本文提出了一种采用动态规划技术来计算采样schedule的新方法。 目前的机器学习算法，一般都具有很高的计算复杂性，同时要求所有数据驻留主存，显然这对于大 多数实际的数据挖掘应用来说是不能接受的。所以在本文中，我们将探讨在大型以及物理上分布的数据 集上进行数据挖掘的方法。同时提出了在分布式环境中进行分类和预测的方法。 我们提出了一种基于聚类方法的对集成中分类器进行剪枝的新方法。为了对分类器进行剪枝，采用 分布分类器权重的方法。另外，我们设计了一种利用“最独立”分类器建立树的深度优先算法。该剪枝 方法表明，通过选择一个神经网络分类器的最优子集，我们有可能得到与整个集成接近甚至更好一点的 泛化效果。 一般来说，神经网络能够产生相当精确的模型。然后，这种模型都隐藏在“黑箱”中，虽然可以用 来预测，但是对理解模型中变量之间的关系没有帮助。遗传算法是一种有效的优化工具，可以用于规则 剪枝。本文提出了一个神经网络-模糊-遗传算法数据挖掘体系结构，它可以将发现的模式以可以理解的 方式表示出来。 关键词：数据挖掘，分类器，预测模型，机器学习，聚类，分布式环境，步进采样，神经网络，遗传算法，模糊推论系统。