近年來，隨著信息產(chǎn)業(yè)規(guī)?；潭鹊娜找婕由睿瑪?shù)據(jù)量呈指數(shù)式爆炸增長，龐大數(shù)量的多源異構(gòu)數(shù)據(jù)帶來一系列挑戰(zhàn)的同時，也帶來了巨大的商機。于是，人們就提出了數(shù)據(jù)挖掘的概念，以便從大量的數(shù)據(jù)中發(fā)現(xiàn)有價值的規(guī)律和知識。本文以“智慧國防”綜合應(yīng)用系統(tǒng)為背景。在整個國防項目中，擇優(yōu)定兵環(huán)節(jié)是非常重要的環(huán)節(jié)，需要從所有適齡青年中挑選合適的應(yīng)征兵員。每年的適齡青年都產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)中蘊含著多個維度的屬性特征，以往的擇優(yōu)定兵環(huán)節(jié)全程人工進行，具有很大的工作量。因此，對待定兵員數(shù)據(jù)進行數(shù)據(jù)挖掘，建立合適的擇優(yōu)定兵模型，為武裝部工作人員提供擇優(yōu)定兵的智能分析和輔助決策，具有很重要的意義。本文的主要研究內(nèi)容為數(shù)據(jù)挖掘在擇優(yōu)征兵工作中的應(yīng)用，包括擇優(yōu)定兵問題上的數(shù)據(jù)挖掘模型設(shè)計及實現(xiàn)。模型設(shè)計具體包括業(yè)務(wù)理解，數(shù)據(jù)理解，數(shù)據(jù)預(yù)處理設(shè)計，模型的選擇、評估與優(yōu)化。重點研究了不平衡分類問題以及邏輯回歸、決策樹、隨機森林、GBDT等分類模型，并對各個分類模型的參數(shù)優(yōu)化方法、模型評估方法進行了研究。最終得到了在定兵類召回率、F1分?jǐn)?shù)、ROC_AUC上均表現(xiàn)較好的擇優(yōu)定兵模型，該模型在訓(xùn)練集，交叉驗證和測試集上均能得到較好的分類結(jié)果，具有較好的泛化能力。

　　近年來，隨著信息產(chǎn)業(yè)規(guī)模化程度的日益加深，數(shù)據(jù)量呈指數(shù)式爆炸增長，各行各業(yè)每時每刻都在產(chǎn)生著大量待分析的數(shù)據(jù)，數(shù)據(jù)規(guī)模從MB、GB 級發(fā)展到TB、PB 級甚至EB、ZB 級。為了進一步提高數(shù)據(jù)信息的利用率，基于數(shù)據(jù)庫的知識發(fā)現(xiàn)（Knowledge Discovery in Database，簡稱KDD）和它的核心技術(shù)——數(shù)據(jù)挖掘（Data Mining）被提出。數(shù)據(jù)挖掘是從更大范圍的概念，就是從大量數(shù)據(jù)中發(fā)現(xiàn)價值的一個處理過程。從數(shù)據(jù)挖掘中得到的價值和知識可以應(yīng)用于各種領(lǐng)域，包括經(jīng)濟管理、工業(yè)控制、商業(yè)營銷、項目管理以及科技創(chuàng)新等。

　　本文以“智慧國防”綜合應(yīng)用系統(tǒng)為背景。在整個國防項目中，征兵業(yè)務(wù)是非常重要的部分，兵員的擇優(yōu)定兵環(huán)節(jié)則是重中之重。每年的待定兵員在定兵前產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)中蘊含著兵員在多個維度的屬性特征，以往的擇優(yōu)定兵環(huán)節(jié)全程由武裝部工作人員人工進行，具有很大的工作量，費時費力，而且人工操作不可避免地會存在一些差錯和局限性。因此，對待定兵員數(shù)據(jù)進行數(shù)據(jù)挖掘，建立合適的擇優(yōu)定兵模型，為武裝部工作人員提供擇優(yōu)定兵的智能分析和輔助決策，具有很重要的意義。