基于粗糙集的决策树分类算法

论文摘要

在数据挖掘领域中,决策树模型是最常用的一种分类模型。目前大多数决策树模型都使用单变量属性做为检验属性,单变量决策树存在树的规模大、分类规则复杂不易理解等问题。本文对决策树算法和粗糙集的一些基本理论进行了分析,在此基础上,提出了一种基于粗糙集理论的多变量决策树的构建算法。该算法首先利用粗糙集理论对条件属性间的关联关系进行了描述,进而对属性进行了初步的聚类,然后根据条件属性对决策属性分类的贡献程度进一步详细聚类,将得到的聚类做为新的检验属性。在构造决策树的过程中,使用变精度加权粗糙度做为选择检验属性的度量标准,并提出了一种新的分支合并方法,对分支进行合并。通过对UCI数据集的仿真实验表明,该算法与传统的单变量ID3算法相比,得到的决策树更简单,同样具有较好的分类效果,并且得到的规则更容易被理解。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究意义与现状
• 1.3 本文的主要内容与结构
• 第二章 决策树分类算法概述
• 2.1 决策树的构建过程
• 2.1.1 构建决策树的步骤
• 2.1.2 属性的选择及分支的处理
• 2.1.3 决策树的剪枝
• 2.1.4 决策树算法的评估
• 2.2 决策树算法介绍
• 2.2.1 ID3算法
• 2.2.2 C4.5算法
• 第三章 粗糙集理论
• 3.1 粗糙集的基本概念
• 3.2 粗糙集理论的特点
• 3.3 粗糙集在决策树算法中的应用
• 第四章 基于粗糙集的决策树分类改进算法
• 4.1 属性间的关联度
• 4.2 一种新的多检验属性的选择算法
• 4.2.1 对多检验属性选择方法的分析
• 4.2.2 一种新的属性选择算法
• 4.3 多检验属性的分支合并算法
• 4.4 多检验属性决策树的构建算法
• 4.5 实验结果与分析
• 4.5.1 实验数据
• 4.5.2 实验结果分析
• 第五章 总结与展望
• 致谢
• 参考文献
• 研究成果