增量決策樹中樣例選擇的影響與評價.pdf

1、隨著數(shù)據(jù)庫和網(wǎng)絡技術的不斷發(fā)展，使得人們可以越來越容易地獲得海量的數(shù)據(jù)，但由于數(shù)據(jù)信息自身的復雜性，使如何有效地處理和理解這些數(shù)據(jù)成為需要解決的難題，而機器學習方法可以幫助我們認識和理解這些數(shù)據(jù)里隱含的知識，同時還可以幫助和指導生產(chǎn)實踐。此時，首先要面臨的問題就是數(shù)據(jù)的動態(tài)增長，其次是數(shù)據(jù)的數(shù)量巨大，二者都可以通過機器學習中的增量學習和主動學習來解決。前者可以適應數(shù)據(jù)不斷增長的學習環(huán)境，在保持原有學習結果的基礎之上接收新的數(shù)據(jù)，通過調(diào)整

2、更新分類器來獲取新的知識，而后者可以主動選擇樣例，從而降低數(shù)據(jù)的數(shù)量和復雜度，節(jié)約學習的成本，降低構造分類器的代價。
　　 本文研究了基于增量決策樹的主動學習方法，其實就是將增量學習和主動學習兩種方法進行有效地結合，從而同時發(fā)揮二者的優(yōu)勢。增量決策樹是一種有效的增量學習方法，它可以在盡量最小破壞原有決策樹的結構穩(wěn)定性前提下，通過動態(tài)調(diào)整算法來更新決策樹。在此基礎上，進一步研究了決策樹結構的變化規(guī)律，提出了基于最大不一致判斷準則的