決策樹C4.5算法屬性取值優化研究
大小：0.36 MB 人氣： 2017-12-12 需要積分：1
標簽：決策樹(13474)
決策樹算法是一種最簡單、最直接、最有效的文本分類算法。最早的決策樹算法是ID3算法，于1986年由Quinlan提出，該算法是一種基于信息熵的決策樹分類算法。由于該算法是以信息熵作為屬性選擇的標準，偏向于選擇屬性取值較多的屬性，而屬性取值較多的屬性往往分類的貢獻不大。因此，于1993年Quinlan在ID3算法的基礎上又提出了一種改進算法，即C4.5算法。該算法采用信息增益率作為屬性選擇的標準，繼承了ID3算法的所有優點，克服了ID3算法中偏向于選擇屬性取值較多的屬性作為測試屬性的不足，同時還能對連續屬性與未知屬性進行處理，在剪枝方面也有很大的改進。
C4.5算法作為經典的決策樹分類算法，己被廣泛的應用到各個領域。但其仍然存在以下不足之處：1）在計算信息增益的過程中（包括：分類所需信息量、信息熵、分割信息量）涉及的復雜的對數運算，計算機每一次計算都需要調用庫函數，增大了生成決策樹所需的時間開銷；2）生成決策樹中分支數量過多，部分分支還能進行合并，進一步精簡生成決策樹的結構。
本文針對生成決策樹分支數量過多的不足，提出了一種新的屬性取值優化方法，并用實例分析驗證了該方法的有效性。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
決策樹C4.5算法屬性取值優化研究下載
相關電子資料下載
- 深入探討機器學習的可視化技術 191
- 深度解析機器學習各大模型原理 1144
- 什么是隨機森林？隨機森林的工作原理 1851
- 機器學習基礎知識全攻略 126
- 決策樹：技術全解與案例實戰 762
- 一種基于決策樹的飛機級故障診斷建模方法研究 739
- 基于粗糙集聯合決策樹法的智能變電站遠程調度管理優化 392
- 數據挖掘十大算法 2071
- 常見的機器學習算法及其應用場景 622
- 為什么GBDT用回歸樹不用分類樹？CART決策樹是怎么計算基尼值呢？ 1396