数据挖掘中决策树算法的研究及其改进

决策树算法是数据挖掘中非常活跃的研究领域．通过对数据挖掘中决策树的基本思想进行阐述,讨论了决策树经典算法（ID3算法）的计算复杂度问题,并针对这一问题提出了利用统计理论知识和条件概率的思想来改进构造决策树的算法．实验表明,这种构造决策树算法的计算复杂度明显优于传统的算法,其效率也有很大的提高．     

粗糙集文本分类的应用研究

文章提出了一种利用粗糙集理论生成文本分类规则的方法.首先,抽取特征词并计算权重.然后,在权值离散化之后,构造决策表.其中,特征词作为条件属性,类别作为决策属性.之后,将文本用属性约简和属性相对约简进行处理,得出决策规则.最后给出分类算法.     

一种改进的基于区分矩阵的属性约简算法

根据粗糙集理论讨论了属性约简问题,基于传统的区分矩阵属性约简算法提出了一种改进的约简算法:首先,根据决策表构造区分矩阵;然后,删除区分矩阵中包含核和伪核的项;最后,化简区分矩阵中剩余项得到约简结果.通过对某发动机故障数据进行处理验证了算法的有效性.     

基于模糊-粗糙集模型的一种归纳学习方法

对传统粗糙集理论进行了扩展，提出了一种模糊-粗糙集模型。利用模糊集理论和Koho-nen网络自组织映射算法对决策表的连续属性进行模糊化，并用模糊贴近度构造模糊相似矩阵，把普通粗糙集的不可分辨关系推广为模糊相似关系。提出一种基于模糊-粗糙集模型的归纳学习算法FRILA，此算法和决策树算法相比，具有得到的规则数目少、规则表示简单等优点。实例验证了此方法的有效性。     

一种不完备决策表的改进约简算法

由于在现实中,大部分信息系统是不完备的,有可能是不一致的。所以,针对现有属性约简算法的不足,在覆盖粗糙集理论和最大一致块技术的基础上提出了一种新的运用表存储可辨识属性集的不完备决策表的改进约简算法,该算法同时适用于一致决策表和不一致决策表,通过算法可求得决策表属性集的上约简、下约简,实现决策表的属性约简,有效地降低了算法的空间复杂度,提高了算法效率,具有一定的现实指导意义。     

一种基于粗糙集的约简算法

在决策表中求取知识时可以进行属性约简,而属性约简中大部分算法都需计算核．文章基于现有的属性约简算法,提出了改进的约简算法．该算法不需要求核,从而节约了时间与空间,使粗糙集在面对大数据时能更好的处理．     

基于改进遗传算法的RTM注射速率优化

针对目前遗传算法初始种群大多数为随机产生,注射速率优化过程容易早熟或不收敛问题,提出了基于注射速率规则的改进遗传算法。在大量注射速率历史数据基础上,建立了注射速率影响因素决策表,提出了规则相似度计算模型。由基于规则的种群生成算子生成初始种群,以填充质量最优为目标,并构造适应度函数,然后进行遗传操作,最后采用面向对象编程语言实现该算法。实例表明该算法比标准遗传算法收敛更快,而且在用该算法优化得到的注射速率下的充填质量比在用标准遗传算法优化得到的注射速率下的充填质量更好,说明采用改进遗传算法优化注射速率更为合理和可靠。     

一种改进的分辨矩阵构造及求核算法

属性约简是粗糙集理论中的重要内容,而获取核属性又通常是计算属性约简的一个关键步骤.为使算法能同时应用于一致和不一致决策表,并精简分辨矩阵中的元素,优化时间性能,文章提出一种改进的分辨矩阵构造方法,构造的过程中充实核属性集,新产生的核集又能进一步优化分辨矩阵的构造.通过实例分析算法,并通过实验验证了该算法是可行有效的.     

一种基于粗糙集构造决策树的改进算法

基于变精度粗糙集模型,对文献[3]提出的生成决策树方法进行改进,把变精度加权平均粗糙度作为属性选择标准,提出一种构造决策树新算法.新算法用变精度近似精度来代替近似精度,能有效地克服噪声数据在构造决策树过程中对刻画精度的影响,使生成的决策树复杂性降低,泛化能力更强.     

基于云模型的连续属性决策表简化算法

从降低样本数据模糊性及随机性角度出发,提出了一种基于云模型的连续属性决策表简化算法.该算法通过对决策表的转换,建立云相似度概念来刻画样本间等价关系,并采用改进的动态聚类方法自动获取相似样本,完成对样本的较粗粒度表示.实验结果表明,简化决策表在不到原规模十分之一的条件下,取得了大致相当的识别率,从而大幅降低粗集知识获取时间.     

一种决策系统的自动生成工具

本文讨论了一种决策系统的自动生成工具的设计原理与实现方法.该工具能够辅助人们去建立一种基于决策表的决策模型,自动进行各种检验,并能将此模型转换成另外两种决策模型.此外,该工具还能够进一步自动生成决策处理系统.     

灰色粗糙组合决策模型研究

利用灰色聚类决策的机制构建决策表,然后利用粗糙集理论从决策表中挖掘出极小化决策算法,并提出了基于灰色综合决策权的决策表离散化方法.对应用决策表方法解决实际问题时可能出现的问题进行了有益的探讨.指出在约简过程中,要注意理论与实际相结合、定性与定量相结合,才能得到贴近实际的决策规则.     

基于正区域的快速求核算法

基于正区域求核算法的最好时间复杂度为O(|C|2|U|log|U|),为降低该求核算法的时间复杂度,给出了基于正区域的简化决策表定义和相应核的定义.证明了该简化决策表的核与原决策表的核等价.由于求正区域的简化决策表首先要求划分U/C,而求划分U/C的最好算法的时间复杂度为O(|C||U|log|U|),因此以基数排序的思想设计了一个新的求划分U/C的算法,其时间复杂度为O(|C||U|).最后以快速缩小搜索空间为目的设计了一个新的求正区域POSC(D)的算法.在此基础上,利用核的性质设计了一个新的求核算法,其时间复杂度为max(O(|C||U|,O(|C|2|U/C|)).并用实例说明了算法的实用性.     

决策树研究新探

决策树方法一直被用于贝叶斯决策问题的最优方案选择，即从若干决策方案中选择一个最优方案。决策问题中所含的方案数量在决策树中是隐性的。利用传统的决策树方法，无法确定一个次优方案，对所有方案进行排序也很难。从这个意义上来说，决策树法不如策略矩阵法有效。该文结合有一个实例，讨论了利用决策树对贝叶斯决策问题的决策方案进行选择和排序的方法。     

粗糙集中基于信息量的决策表属性约简算法

高效的属性约简算法是粗糙集理论应用于知识发现的基础,要在令人可接受的时间内获得约简的通常做法是基于启发式的约简方法。本文提出了决策表中决策属性集相对条件属性集的条件信息量的概念,同时用知识的条件信息量定义了属性的重要性,在此基础上,提出了一种新的基于信息量的属性约简算法,该算法的时间复杂度为(O|C|3|U|2),通过实例分析,表明该算法是有效的。     

基于正域的决策树构造方法

决策树是数据挖掘中的一种重要分类方法。在此以粗糙集理论中的正域为启发式函数,设计了一种新的、有效的决策树构造方法。该算法具有较大的灵活性,能从测试属性空间逐次删除已使用过的属性。避免对这些属性进行重复测试,减少测试空间,降低了树的复杂性,从而提高了分类效率。最后,实例验证了算法的可行性与有效性。     

一种新的基于决策熵的决策表约简方法

分析了在知识约简过程中经典粗糙集理论决策表知识约简方法的不足.以知识粗糙熵为基础,将一致和不一致对象分开,提出决策熵的概念及其属性重要性,在此基础上给出约简的判定定理;然后以条件属性子集的决策熵来度量其对决策分类的重要性,提出一种新的知识约简启发式方法.理论分析和实验结果表明,基于决策熵的属性重要性是一种更有效的启发式信息,该方法时间复杂度较低,有助于搜索最小或次优约简.     

决策树挖掘技术在手术诊断上的应用研究

在解决分类问题的各种方法中,决策树是比较常用的一种方法。基于决策树理论,在 ID3算法基础上提出基于悲观错误剪枝的后剪枝算法,并将其运用于医疗系统手术诊断的数据挖掘分析过程中,所得实验结果与专家诊断结果基本吻合,取得了较好的实际应用效果。     

一种基于粗集的决策表求核算法

决策表是粗集理论的处理对象,其核属性的计算往往是决策信息约简过程的出发点和关键.大多数决策表的求核方法是基于差别矩阵的,具有较高的时间复杂度和空间复杂度.基于区分表,提出一种效率更高的计算核属性的算法,并验证了算法的正确性.     

决策表决策值的简化

首先定义了决策规则决策属性的简化,并以此为基础定义了决策表决策值的简化,旨在研究决策表条件值简化的对偶问题,即在保持决策表条件属性集不变的前提下它的条件属性集和决策属性集之间的最简函数关系。在这些定义的基础上,给出了决策规则决策属性简化的表达式和决策表决策值简化的表达式。