決策樹分類算法的應(yīng)用、進(jìn)展和發(fā)展前景(參考版)
2025-05-14 07:22本頁面
【正文】 謝謝！ 。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(dāng)中 ,并且得到了廣泛的應(yīng)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。到底如何取舍需要具體問題具體分析。 ? 決策樹與神經(jīng)網(wǎng)絡(luò)相比所具有的最大優(yōu)點就是訓(xùn)練決策樹的時間遠(yuǎn)遠(yuǎn)低于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的時間。 ? 但正由于多智能體系統(tǒng)的復(fù)雜性，而機器學(xué)習(xí)有潛力提供一個魯棒性較強的機制來有效協(xié)調(diào)各智能體間的行為，因此對多智能體結(jié)合機器學(xué)習(xí)是一個很有前途的方向。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(gòu)造和不確定環(huán)境下的分類均取得了比較好的效果。前面介紹的決策樹技術(shù)與模糊集合原理的結(jié)合就是一個不錯的選擇。近幾年有關(guān)這方面的研究取得了一些進(jìn)展。一些專家認(rèn)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。 4. 研究產(chǎn)生決策樹的訓(xùn)練和檢驗數(shù)據(jù)的大小及特性與決策樹特性之間的關(guān)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)。 DI修剪法將保持那些雖不能減小錯誤率但能指出一些特殊性質(zhì)的群體的子樹。 DI修剪法。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(shù)研究的一個熱點。在 等提出的方法中，他們主要用兩類進(jìn)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。此方法在決策樹構(gòu)造階段加入了專家知識，這樣便于用戶更深地理解產(chǎn)生決策樹的數(shù)據(jù)及最終產(chǎn)生的決策樹。 尋找新的構(gòu)造決策樹的方法 ? 自從 Quinlan提出 ID3和 ,有不少專家提出了其他構(gòu)造決策樹的方法 ,如由 Brieman等人提出的 CART方法和由 Kass提出的 CHAID方法。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(guān)系的節(jié)點，當(dāng)它們進(jìn)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(jìn)行并行運算。 ? 除了以上方法之外，還可以在構(gòu)造決策樹的過程中使用并行機制。 決策樹分類算法的發(fā)展前景 目前決策樹技術(shù)的主要研究方向有以下幾點 : ? 決策樹算法的并行性研究 ? 尋找新的構(gòu)造決策樹的方法 ? 3 、尋找更好的簡化決策樹的方法 ? 4. 研究產(chǎn)生決策樹的訓(xùn)練和檢驗數(shù)據(jù)的大小及特性與決策樹特性之間的關(guān)系 ?
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1