基于可疑实例影响度分析改进的C4.5 rules算法

• 作者: 王强 胡学钢
• 来源期刊: 广西师范大学学报（自然科学版）
• 学科: 工学
• 关键词: 数据挖掘 决策树 可疑实例 影响度度量
• 年，卷（期）: 2007,（4）
• 页码范围: 51-54
• 页数: 4页
• 分类号: TP18
• 字数: 2867字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-6600.2007.04.013

摘要

决策树学习算法是数据挖掘中一类经典的分类算法.传统的决策树学习算法把数据集合中的实例同等对待,而忽略了实例之间存在的可疑性和影响度差异,导致错误实例扭曲了学习结果,严重影响学习质量.在此提出基于可疑实例影响度分析改进的C4.5 rules算法,在给定一个噪音集合后,首先把可疑实例与原集合划分开,并对可疑实例的影响度进行分析和度量,然后依据分类规则对可疑实例的覆盖情况进行重新排序和分类预测.算法在对分类规则重排序后将错误实例对学习结果的影响最小化,得出尽可能接近正确数据的学习结果.将此算法与经典的C4.5 rules算法进行实验比较,结果表明该算法有着良好的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王强	合肥工业大学计算机与信息学院	82	949	16.0	27.0
2	胡学钢	合肥工业大学计算机与信息学院	314	3156	27.0	39.0