帶估計(jì)的分割點(diǎn)采樣的并行決策樹(shù).pdf

1、決策樹(shù)方法是歸納學(xué)習(xí)的一個(gè)重要分支,本質(zhì)上是從訓(xùn)練數(shù)據(jù)集中歸納出一組分類規(guī)則。因?yàn)闆Q策樹(shù)具有很高的效率和預(yù)測(cè)精度、很好的可讀性,以及對(duì)噪聲數(shù)據(jù)的健壯性等優(yōu)點(diǎn),成為應(yīng)用最為廣泛的分類模型之一。
　　近年來(lái),隨著信息技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展,計(jì)算機(jī)應(yīng)用的普及,產(chǎn)生的數(shù)據(jù)量日益增長(zhǎng),對(duì)大規(guī)模數(shù)據(jù)集的分類已成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中的一個(gè)重要領(lǐng)域。由于決策樹(shù)分類模型的準(zhǔn)確率直接依賴于訓(xùn)練數(shù)據(jù)集的大小,現(xiàn)有的決策樹(shù)算法在處理海量數(shù)據(jù)時(shí)因?yàn)閿?shù)據(jù)存儲(chǔ)

2、、內(nèi)存瓶頸、時(shí)間復(fù)雜度過(guò)高等因素,使其很難得到推廣,此外,在處理連續(xù)型屬性時(shí)效率太低。因此,進(jìn)一步改進(jìn)決策樹(shù),提高決策樹(shù)的性能,使其更加適應(yīng)數(shù)據(jù)挖掘技術(shù)的發(fā)展要求,具有重要的理論和實(shí)踐意義。
　　針對(duì)現(xiàn)有的決策樹(shù)分類算法的不足,本文基于分割點(diǎn)采樣方法對(duì)決策樹(shù)分類算法的并行化進(jìn)行了研究,提出了適用于處理大規(guī)模數(shù)據(jù)集的帶估計(jì)的分割點(diǎn)采樣的并行決策樹(shù)分類算法MRSPDT。具體工作包括以下幾個(gè)方面的內(nèi)容:
　　1.為提高現(xiàn)有決策樹(shù)算