23228.基于特征空間動態(tài)劃分的模糊決策樹算法研究

1、專業(yè)學位碩士學位論文基于特征空間動態(tài)劃分的模糊決策樹算法研究TheFuzzyDecisionTreeAlgorithmBasedonDynamicPartitionoftheFeatureSpace學號：31209053大連理工大學DalianUniversityofTechnology大連理工大學專業(yè)學位碩士學位論文摘要決策樹(DecisionTree)分類算法是模式識別領域應用最廣的算法之一，其優(yōu)點在于分類精度高且其分類結果具有較強

2、的可解釋性、易于理解。目前，決策樹分類技術已經(jīng)成功應用于商業(yè)決策、醫(yī)療診斷分析、機器人技術等眾多領域。本文首先依次介紹了模式識別技術中的貝葉斯分類算法、支持向量機算法、K近鄰算法、人工網(wǎng)絡算法和決策樹算法，并且比較了這些算法各自的優(yōu)缺點。其次，本文比較了各種決策樹的異同，并在此基礎上提出了一種新的模糊決策樹算法，該算法與其他模糊決策樹算法的區(qū)別在于本文提出的模糊決策樹是在建樹過程中，動態(tài)地對特征空問進行劃分，而并不是建樹前對特征空間就進

3、行模糊劃分。在該算法中，當要對當前節(jié)點進行模糊劃分時，在每個屬性上采用模糊C均值聚類方法對節(jié)點內的樣本進行聚類，繼而采用信息增益作為評價函數(shù)對各個屬性進行評價，選取最大信息增益對應的屬性對當前節(jié)點進行模糊劃分。由于這種建樹方式追求每個節(jié)點處的最優(yōu)劃分，勢必會帶來過度訓練問題，本文采用一種改進的減小最小誤差的后剪枝策略應對過度訓練問題，一方面可以提高決策樹的測試精度，另一方面可以控制決策樹的規(guī)模，提高其可解釋性。在實驗部分，本文采用15組