分支合并對決策樹歸納學(xué)習的影響-預(yù)覽頁
【正文】 Linguistic Decision Tree Merging Algorithm 》 中研究了一種基于語義的向前分支合并算法。 則最終產(chǎn)生的樹與沒有進行分支合并所產(chǎn)生的樹 ， 從結(jié)構(gòu)、規(guī)模、復(fù)雜性、精度等方面上將有很大區(qū)別 。那么是否可以說Margin越小，數(shù)據(jù)間的聯(lián)系就越大呢？ ? 基于這種考慮，提出新的分支合并算法：對于當前節(jié)點的所有子節(jié)點，計算每兩個子節(jié)點間數(shù)據(jù)的 Margin，將 Margin比較小的分支合并為一個。 1 2 m{ A , A , , A }信息補償 ? 從上面定理的證明我們可以知道，進行分支合并后熵會增大，根據(jù) Quinlan 的極小熵原則，我們不應(yīng)該進行分支合并。 ? 目前這個工作正在研究當中。 回顧（ 3） ? 我們希望信息補償為正，而且如果補償?shù)男畔⒈葋G失信息多的話，即 IGComIGLoss0，那么就可以說經(jīng)過分支合并后，雖然存在信息丟失，但是通過繼續(xù)選擇擴展屬性，可以對信息進行一個補償?shù)淖饔?，也就在某種程度上為分支合并提供了解釋。 ? 但是我們又進一步分析了 IGCom0的情況，并且提出了一種基于 IGCom的分支合并算法 — 基于最大 IGCom的分支合并算法。 謝謝！
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1