| 【中文题名】 | 关于模糊决策树生成过程中启发式算法的研究 |
| 【英文题名】 | The Study on the Heuristic Algorithm for Generation of Fuzzy Decision Tree |
| 【学科专业】 | 计算机应用 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2004-9-20 |
| 【中关键词】 | 机器学习,决策树学习,模糊决策树,启发式算法,交互信息, |
| 【英关键词】 | Machine Learning,Decision Tree Learning,Fuzzy Decision Tree,Heuristic Algorithm,Mutual Information, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | 模糊决策树由于结合了模糊集合理论和决策树学习二者的优势于一身，现已成为一种非常有效、实用的学习方法。目前已被成功地应用于医疗诊断、贷款申请中的信用风险评估等多领域的自动知识获取中。
由于构建最优的模糊决策树已被证明是NP-hard问题，因此，一般采用启发式方法来构建模糊决策树。在目前存在的几种常见的启发式算法中，较普遍的、效果较好的是FUZZY—ID3算法，它将模糊信息增益(即属性与类之间的交互信息)作为启发式，这使得模糊信息熵快速收敛，从而通过较少的计算获得一棵规模较小的树。但现存的启发式算法一般只考虑到属性与类之间的相关性，忽略了各属性之间的相关性(属性冗余)对结果的影响。因此，本文在详细分析了属性之间的相关性对构建模糊决策树的影响以及FUZZY—ID3算法在此方面的不足之后，提出了FUZZY—ID3算法的扩展算法。扩展算法中采用新的启发式，其宗旨是在选择测试属性时，要求该属性不仅与类的交互信息(相关性)最大，而且与已经使用过的属性之间的交互信息(相关性)最小，从而将对属性间冗余信息的处理结合到模糊决策树的构建过程中。
文中选用大量的实验数据及图表对FUZZY—ID3算法及其扩展算... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-7 |
|
第一章 序言 |
7-12 |
|
1.1 背景知识 |
7-8 |
|
1.2 模糊决策树学习算法的产生、发展与研究现状 |
8-10 |
|
1.3 本文主要研究内容及创新点 |
10-12 |
|
第二章 模糊决策树和FUZZY-ID3算法 |
12-21 |
|
2.1 理论基础 |
12-16 |
|
2.1.1 模糊集合理论基础 |
12-13 |
|
2.1.2 信息论基础 |
13-16 |
|
2.2 模糊决策树 |
16-18 |
|
2.3 FUZZY-ID3算法 |
18-21 |
|
第三章 改进的FUZZY-ID3算法 |
21-36 |
|
3.1 扩展启发式的引入 |
21-23 |
|
3.2 实验结果分析 |
23-33 |
|
3.2.1 实验方法描述 |
23-26 |
|
3.2.2 实验结果分析 |
26-33 |
|
3.3 两个算法计算复杂性的比较 |
33-36 |
|
第四章 结论与展望 |
36-37 |
|
4.1 结论 |
36 |
|
4.2 展望 |
36-37 |
|
参考文献 |
37-40 |
|
攻读硕士学位期间科研工作情况 |
40-41 |
|
致谢 |
41 |
|
| 【DOI】 | LunWen.ID:2.2008.387104 |
