決策樹分類算法的應用、進展和發(fā)展前景(存儲版)
【正文】 。另一種思路是：在決策樹中同一層的節(jié)點、或者不同層的沒有父子關系的節(jié)點，當它們進行屬性選擇或者子集分割時，兩兩之間也互不沖突，因此可以進行并行運算。另外一個就是尋找更好的與傳統(tǒng)方法不同的簡化決策樹的方法，這一直是決策樹技術研究的一個熱點。一些專家認為 ,在產(chǎn)生決策樹前盡量減少數(shù)據(jù)量比在決策樹產(chǎn)生后再簡化決策樹更加有效。 ? 但正由于多智能體系統(tǒng)的復雜性，而機器學習有潛力提供一個魯棒性較強的機制來有效協(xié)調各智能體間的行為，因此對多智能體結合機器學習是一個很有前途的方向。目前市場上的許多數(shù)據(jù)挖掘的商用軟件，如 SAS,SPSS,CART,IBM Intelligent Miner等產(chǎn)品也將決策樹方法嵌入到它們的產(chǎn)品當中 ,并且得到了廣泛的應用。隨著微處理器速度越來越快、價錢越來越便宜，以及并行計算的運用，使人們在做決定時擁有比以前更大的自由。此算法利用置信度函數(shù)原理來代表分類問題中的參數(shù)不確定性，在不確定環(huán)境下決策樹構造和不確定環(huán)境下的分類均取得了比較好的效果。 4. 研究產(chǎn)生決策樹的訓練和檢驗數(shù)據(jù)的大小及特性與決策樹特性之間的關系 ? 與上述簡化決策樹不同 ,這類研究著眼于產(chǎn)生決策樹的數(shù)據(jù)。在 等提出的方法中，他們主要用兩類進化算法替代了傳統(tǒng)的貪婪搜索算法以實現(xiàn)數(shù)值屬性的任意分割。 ? 除了以上方法之外，還可以在構造決策樹的過程中使用并行機制。在對表進行劃分時 ，維持表中記錄的次序不變。每一個屬性具有一個屬性表 ,由記錄標志符 (RID)建立索引。 CLOUDS通過一個 估計步 對數(shù)值型屬性的所有取值進行抽樣 ,由此可以縮小尋找最優(yōu)分裂點的搜索空間。當訓練樣本非常大時 ,計算量也會很大。這種做法的缺點在于，通過子集產(chǎn)生的決策樹只能捕捉到整個數(shù)據(jù)集的大體的信息，有可能漏掉數(shù)據(jù)集中有價值的模式。 數(shù)據(jù)預處理 ? 在實際應用中數(shù)據(jù)集往往含有很多的屬性，而有一些屬性是多余的。其基本思想是給定一組候選的提取分層 ,ITA選擇一個最優(yōu)的提取并對原始數(shù)據(jù)庫進行概化。此外決策者有時需要在數(shù)據(jù)的多個抽象層上進行分析以獲得有價值的信息。 ? 其它早期算法主 CART、 FACT、 CHAID算法 。而在實際的數(shù)據(jù)挖掘應用中我們面臨的數(shù)據(jù)集往往是容量巨大的數(shù)據(jù)庫或者數(shù)據(jù)倉庫，在構造決策樹時需要將龐大的數(shù)據(jù)在主存和緩存中不停的導入導出使得運算效率大大降低。面向屬性的歸納（ AOI）是一種有用的概化方法它考查數(shù)據(jù)集中每個屬性的不同取值，通過屬性刪除或者屬性概化等
畢業(yè)設計相關推薦
鄂ICP備17016276號-1