基于屬性組合的隨機森林.pdf_第1頁
已閱讀1頁,還剩41頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、在機器學習領域的分類問題中,對于待分類的樣例,當我們用于判斷其類別的屬性個數(shù)很多時,用傳統(tǒng)的分類算法建立分類器,消耗較多的計算機時間和空間。近年來,研究學者們對數(shù)據(jù)集的屬性組合進行了相關的研究,提出了很多種屬性組合構造分類器的新思想,但是構建的屬性組合分類器大多是在一個數(shù)據(jù)集上挑選屬性組合建立一個分類器。由于選擇屬性組合的標準不同,各自又形成了不同的分類器,并且每一種構建方法都有其優(yōu)點和缺點。同時,集成分類器的思想也有新的研究成果。本文

2、基于學者們的已做工作,我們進行總結和創(chuàng)新,做了以下工作。
   本文首先提出用屬性組合構建分類器的研究目的和意義?;谝恍?shù)據(jù)集中,條件屬性過多這一特點,在本文中首先采用將數(shù)據(jù)集進行聚類的方法將相似的訓練樣例進行分堆,以便于更好的針對每一堆相似的樣例挑選屬性組合,生成針對于不同性質樣例的分類器,并闡述了使用此種方法的優(yōu)點。其次,基于學者們近年來的工作,闡述了多變量決策樹的理論和方法。我們采用較少的、有針對性的對每一個數(shù)據(jù)聚類堆進

3、行隨機選擇的屬性,生成多棵多變量決策樹。最后,根據(jù)每一個聚類堆構建的多棵多變量決策樹形成隨機森林來進行分類器的加權集成,從而試圖覆蓋數(shù)據(jù)集中的所有概念,進一步保證了分類的精度。通過以上工作,我們可以處理數(shù)據(jù)量大并且條件屬性較多的數(shù)據(jù)集,通過選擇較少的屬性和屬性組合構建多棵多變量決策樹從而完成分類器的集成。通過實驗證明,這種方法可以有效降低決策樹這種分類器的規(guī)模,減小分類規(guī)則的數(shù)目,并且有效減小建樹的時間開銷,同時在一定程度上保證分類的準

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論