学位论文 > 优秀研究生学位论文题录展示

一种模糊决策树中样例挑选算法的研究及其理论分析

作　者: 闫建辉
导　师: 王熙照
学　校: 河北大学
专　业: 计算机应用技术
关键词: 样例挑选模糊决策树样例测试信息熵冗余数据泛化能力
分类号: TP18
类　型: 硕士论文
年　份: 2007年
下　载: 7次
引　用: 0次
阅　读: 论文下载

内容摘要

一般学习算法使用全体训练样例去构造分类器,全体训练样例中往往包含噪音数据,冗余数据。但是有的算法对噪音数据特别敏感,有的算法对于大数据集效率特别低。样例挑选算法是依照某种原则从原始数据集中挑出有用的、具有代表性的样例子集,用这个子集中的样例训练出来的分类器的性能并不低于用全体样例训练得到的分类器。机器学习中的数据集的冗余数据和噪声数据会影响分类器的泛化能力和训练速度,而样例挑选算法具有压缩冗余和排除噪声的能力,对于提高分类器的泛化能力和提高训练速度有一定的意义。以往的增量决策树归纳中的样例顺序都是给定的,本文研究了一种在增量模糊决策树中的样例挑选方法,使得增量归纳过程的样例不再是数据集给定的顺序,用于生成最终决策树的样例也不再是数据集中的全体样例。该方法每次都选取当前决策树最不能确定其分类的样例增量加入决策树。本文给出了该方法的详细描述,并对该方法进行了较深入的理论分析。

全文目录

摘要  4-5
Abstract  5-8
第1章绪论  8-11
  1.1 研究背景  8-9
  1.2 研究现状  9
  1.3 研究日标  9-10
  1.4 论文结构  10-11
第2章决策树学习  11-17
  2.1 决策树学习的基本概念  11
  2.2 决策树的表示方法  11-12
  2.3 ID3决策树算法思想  12-15
  2.4 模糊决策树学习算法  15-17
第3章增量决策树  17-23
  3.1 增量决策树的概述  17-18
  3.2 增量决策树的算法  18-21
    3.2.1 ID4算法  18-19
    3.2.2 ID5R算法  19-21
  3.3 ID算法系列的比较分析  21-23
第4章具有样例挑选策略的学习算法  23-26
  4.1 样例挑选概述  23-24
  4.2 常见的样例挑选算法  24-26
    4.2.1 主动学习算法  24
    4.2.2 IBL算法系列  24-25
    4.2.3 其他样例挑选算法  25-26
第5章模糊决策树中基于样例测试结果最大熵的样例挑选算法  26-38
  5.1 算法的基本思想  26-27
  5.2 理论分析框架  27-29
  5.3 理论分析过程  29-35
    5.3.1 P_(ij)的变化和子结点熵的变化之间的关系  29-30
    5.3.2 样例性质分析  30
    5.3.3 新来样例加入决策树后对P_(ij)的影响  30-33
    5.3.4 样例测试结果熵与决策树的熵之间的关系  33-34
    5.3.5 一个问题的思考  34-35
  5.4 从数据分布角度分析  35
  5.5 实验及结果分析  35-38
第6章结束语  38-39
参考文献  39-41
攻读硕士学位期间科研工作情况  41-42
致谢  42

一种模糊决策树中样例挑选算法的研究及其理论分析

内容摘要

全文目录

相似论文