模糊决策树产生过程中参数的敏感性分析

摘要

基于ID3算法的决策树归纳学习是归纳学习的一个重要分支，可用于知识的自动获取过程。随着归纳学习研究的深入，具有精确描述特征的示例学习已不能适应一个系统中不精确知识自动获取的要求，研究不确定环境中的示例学习已非常必要，进而产生了传统ID3算法的模糊推广——模糊ID3算法。在模糊决策树的产生过程中，用模糊熵选择的扩展属性不能像经典决策树那样将类清晰的分开，而是属性术语所覆盖的例子之间有一定的重叠，因此树的整个产生过程在给定的显著性水平α的基础上进行，参数α的引入能在一定程度上减少这种重叠，从而减少分类的不确定性，提高模糊决策树的分类结果。而它一般由领域专家根据经验或需要直接给出，这种人为的参与过分依赖于专家知识，从而可能使实际分类结果在规则数、准确率方面达不到最优。 本文在VisualC++软件开发平台及模糊ID3算法的基础上，从解析的角度出发，通过分析参数α与模糊熵之间的函数关系式，讨论了随着α的增加，模糊熵函数的变化趋势，进一步分析了参数α对模糊决策树的分类结果在训练准确率、测试准确率、规则数等方面所表现出的敏感性，探讨了得到最优参数α的实验方法。

目录

第1章 绪论

第2章 模糊决策树启发式算法及参数α的定义

第3章 模糊决策树产生过程中参数α的敏感性分析

第4章 结论与展望

参考文献

攻读硕士学位期间科研工作情况

致谢