丝袜久久亚洲国产毛片,老人AV综合,国产精品日韩av,超碰国产综合,综合av在线草,毛片久久久,精品蜜桃一区三区,99久久久,人妻99在线视频

 
　　決策樹是對(duì)分類問題進(jìn)行深入分析的一種方法，在實(shí)際問題中，按算法生成的決策樹往往復(fù)雜而龐大，令用戶難以理解。這就告訴我們?cè)谥胤诸惥_性的同時(shí)，也要加強(qiáng)對(duì)樹修剪的研究。
　　隨著數(shù)據(jù)挖掘技術(shù)的逐步成熟，其算法的深入研究已成為當(dāng)前該領(lǐng)域的焦點(diǎn)，決策樹方法作為數(shù)據(jù)挖掘領(lǐng)域重要算法之一，在分類規(guī)則中突現(xiàn)了它的優(yōu)勢(shì)。決策樹方法是從機(jī)器學(xué)習(xí)中引出的，它根據(jù)給定的訓(xùn)練樣本數(shù)據(jù)集來構(gòu)建分類模型，以樹的形式來表達(dá)模型。
　　一般來說，決策樹是一個(gè)類似于流程圖的樹結(jié)構(gòu)，其中每個(gè)節(jié)點(diǎn)表示在一個(gè)屬性上的測(cè)試，每個(gè)分枝代表一個(gè)測(cè)試輸出，每個(gè)樹葉節(jié)點(diǎn)代表類或類分布。決策樹的最頂層節(jié)點(diǎn)是根節(jié)點(diǎn)。更明確地說，決策樹通過根節(jié)點(diǎn)到葉節(jié)點(diǎn)的順序?qū)?shí)例進(jìn)行分類，其中每個(gè)節(jié)點(diǎn)代表一個(gè)屬性，每個(gè)分枝代表它所連接的上節(jié)點(diǎn)在其屬性上的可能取值。舉例來說，一個(gè)實(shí)例的分類是從樹的根節(jié)點(diǎn)開始，測(cè)試該節(jié)點(diǎn)所代表的屬性，然后沿屬性取值的某個(gè)分枝向下移動(dòng)，不斷重復(fù)這個(gè)過程，直至到達(dá)葉節(jié)點(diǎn)，即得到該實(shí)例所屬的類。
　　機(jī)器學(xué)習(xí)領(lǐng)域研究對(duì)數(shù)據(jù)的歸納分類，主要集中在預(yù)測(cè)精確度方面。然而，在許多實(shí)際業(yè)務(wù)中，只有"數(shù)據(jù)的預(yù)測(cè)結(jié)構(gòu)更易于理解"的分類規(guī)則才易讓人接受，就象這個(gè)分類規(guī)則所解決的決策問題一樣讓人清楚明白。在機(jī)器學(xué)習(xí)和統(tǒng)計(jì)領(lǐng)域，決策樹歸納作為一種分類問題的解決方法正在被廣泛的研究。由于許多樹簡(jiǎn)化規(guī)則正在生成越來越簡(jiǎn)單和越來越小的決策樹，樹簡(jiǎn)化規(guī)則已經(jīng)成為繼預(yù)測(cè)精度之后的第二個(gè)研究焦點(diǎn)?？偨Y(jié)樹簡(jiǎn)化技術(shù)的關(guān)鍵問題在于解決方法的多樣性。要駕御這種多樣性，可以將這些方法分為五類。類的建立是將樹歸納看作是對(duì)預(yù)想樹空間的即席狀態(tài)搜索。
　　隨著數(shù)據(jù)挖掘技術(shù)的逐步成熟，其算法的深入行業(yè)研究已成為當(dāng)前該領(lǐng)域的焦點(diǎn)，決策樹方法作為數(shù)據(jù)挖掘領(lǐng)域重要算法之一，在分類規(guī)則中突現(xiàn)了它的優(yōu)勢(shì)。
　　（1）C&R 樹
　　classification and regression trees 是一種基于樹的分類和預(yù)測(cè)方法，模型使用簡(jiǎn)單，易于理解（規(guī)則解釋起來更簡(jiǎn)明易），該方法通過在每個(gè)步驟最大限度降低不純潔度，使用遞歸分區(qū)來將訓(xùn)練記錄分割為組。然后，可根據(jù)使用的建模方法在每個(gè)分割處自動(dòng)選擇最合適的預(yù)測(cè)變量。如果節(jié)點(diǎn)中100% 的觀測(cè)值都屬于目標(biāo)字段的一個(gè)特定類別，則該節(jié)點(diǎn)將被認(rèn)定為“純潔”。目標(biāo)和預(yù)測(cè)變量字段可以是范圍字段，也可以是分類字段；所有分割均為二元分割（即分割為兩組）。分割標(biāo)準(zhǔn)用的是基尼系數(shù)(Gini Index)。
　　（2）QUEST決策樹
　　優(yōu)點(diǎn)：運(yùn)算過程比C&R 樹更簡(jiǎn)單有效quick unbiased efficient statistical tree （快速無(wú)偏有效的統(tǒng)計(jì)樹）QUEST 節(jié)點(diǎn)可提供用于構(gòu)建決策樹的二元分類法，此方法的設(shè)計(jì)目的是減少大型 C&R 決策樹分析所需的處理時(shí)間，同時(shí)減小分類樹方法中常見的偏向類別較多預(yù)測(cè)變量的趨勢(shì)。預(yù)測(cè)變量字段可以是數(shù)字范圍的，但目標(biāo)字段必須是分類的。所有分割都是二元的。
　?。?）CHAID決策樹
　　優(yōu)點(diǎn)(chi-squared automatic interaction detection，卡方自動(dòng)交互檢測(cè))，通過使用卡方統(tǒng)計(jì)量識(shí)別最優(yōu)分割來構(gòu)建決策樹的分類方法
　　1、可產(chǎn)生多分支的決策樹；
　　2、目標(biāo)和預(yù)測(cè)變量字段可以是范圍字段，也可以是分類字段；
　　3、從統(tǒng)計(jì)顯著性角度確定分支變量和分割值，進(jìn)而優(yōu)化樹的分枝過程(前向修剪)；
　　4、建立在因果關(guān)系探討中，依據(jù)目標(biāo)變量實(shí)現(xiàn)對(duì)輸入變量眾多水平劃分。
　?。?）C5.0決策樹
　　優(yōu)點(diǎn)：執(zhí)行效率和內(nèi)存使用改進(jìn)、適用大數(shù)據(jù)集
　　1、面對(duì)數(shù)據(jù)遺漏和輸入字段很多的問題時(shí)非常穩(wěn)健；
　　2、通常不需要很長(zhǎng)的訓(xùn)練次數(shù)進(jìn)行估計(jì)；工作原理是基于產(chǎn)生最大信息增益的字段逐級(jí)分割樣本；
　　3、比一些其他類型的模型易于理解，模型推出的規(guī)則有非常直觀的解釋；
　　4、允許進(jìn)行多次多于兩個(gè)子組的分割。
　　決策樹方法并不適用于現(xiàn)實(shí)世界中的所有問題，根據(jù)管理學(xué)理論，它需要滿足下列條件時(shí)才能產(chǎn)生較優(yōu)的結(jié)果。
　　首先，實(shí)例要用“屬性-值”的形式描述。具體講，實(shí)例是由一系列固定的屬性和值構(gòu)成：屬性的可能取值范圍比較小時(shí)，決策樹的效果最好。
　　其次，目標(biāo)類變量的可能取值是離散的。決策樹算法要求每個(gè)實(shí)例屬于某個(gè)類，最簡(jiǎn)單的情況是只存在兩個(gè)可能的目標(biāo)類取值，當(dāng)然也可以擴(kuò)充到兩個(gè)以上的可能取值。
　　最后，訓(xùn)練樣本可以有錯(cuò)誤。即決策樹算法應(yīng)是健壯的，不僅訓(xùn)練樣本的目標(biāo)類可以有錯(cuò)誤，而且屬性值也可以有錯(cuò)誤。訓(xùn)練樣本數(shù)據(jù)的某個(gè)屬性可以包含缺失值。
　　決策樹算法在分類規(guī)則中，通過訓(xùn)練樣本數(shù)據(jù)集即可構(gòu)建分類模型，但這并不適用于現(xiàn)實(shí)生活中的任何數(shù)據(jù)，所以，在不滿足其條件時(shí)，應(yīng)盡可能的創(chuàng)造條件，使其算法能夠準(zhǔn)確、快速的實(shí)施，使決策樹方法能更好的為數(shù)據(jù)挖掘領(lǐng)域服務(wù)。