模糊決策樹學習是以實例學習為基礎的歸納學習算法,它著眼于從一組無次序,無規(guī)則的事例中推理出分類規(guī)則。模糊決策樹在機器學習,數(shù)據(jù)挖掘,智能控制等人工智能領域有著相當重要的理論意義與實用價值。 本文對已存的決策樹算法進行了詳細分析與比較。文中對ID3算法和C4.5算法進行了描述,并對他們的優(yōu)缺點進行了分析和比較。ID3算法往往偏向于取值較多得屬性,不能處理連續(xù)數(shù)據(jù),對噪音也比較敏感。C4.5算法是對ID3算法得優(yōu)化,可以對連續(xù)值屬性進行處理,同時增加了對空值數(shù)據(jù)得處理,但是C4.5更偏向于選擇熵值最小得屬性,而不一定是對分類貢獻最大最終要得屬性。 本文提出了一種AFS理論的模糊決策樹分類器。與其他模糊決策樹分類器比較,基于AFS理論的模糊決策樹分類器顯示出了一個非常大的優(yōu)點:一種新定義的置信度來保證分類結果的可靠性。這種置信度是一種量化的置信度,而且還可以被應用到具有混合屬性的數(shù)據(jù)集上。文中對提出的這種決策樹分類器做了大量的數(shù)據(jù)實驗,這種方法被應用到了不同的數(shù)據(jù)集。得到的實驗結果和C4.5方法的結果,C-決策樹方法的結果進行了比較,結果表明AFS決策樹的測試準確率明顯高于其... 

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

第二次實驗中測試數(shù)據(jù)在以勝1，2)上的隸屬函數(shù)，古l=m3mll+m3m，Zm16m7msml

第二次實驗中測試數(shù)據(jù)在羲(k=l，2)上的隸屬函數(shù)，言，=m:lm、5m3+ml:m15m4m產(chǎn)7+m一ml產(chǎn)4m6mlom7m一7m一4m2+m一m一產(chǎn)碑6m一omsml3+mlZm3mlsmsm6m一0+m一Zm3ml6msm6mg+

(a)所有測試樣本在6，最的隸屬函數(shù)置信度上的分布;(b)所有分類錯誤的測試樣本在氛，最

【參考文獻】：
期刊論文
[1]數(shù)據(jù)挖掘中決策樹算法的最新進展[J]. 韓慧,毛鋒,王文淵.  計算機應用研究. 2004(12)
[2]采用重復剪輯近鄰法提高決策樹算法的性能[J]. 葉晨洲,楊杰,姚莉秀,陳念貽.  控制與決策. 2003(01)
[3]基于決策樹學習中的測試生成及連續(xù)屬性的離散化[J]. 陳恩紅,王清毅,蔡慶生.  計算機研究與發(fā)展. 1998(05)



本文編號：3733216