基于属性离散和特征度量的决策树构建算法

• 作者: 王磊 刘雨 刘志中 齐俊艳
• 来源期刊: 河南理工大学学报（自然科学版）
• 关键词: 决策树 属性离散 离散比 K-means
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 计算机·人工智能·大数据
• 页码范围: 127-133
• 页数: 7页
• 分类号: TP391.4
• 语种: 中文

摘要

针对基于信息熵的决策树算法中存在多值属性偏向、连续属性处理不佳和时间复杂度较高等问题,提出一种基于离散比概念的决策树特征度量方法.首先采用K-means聚类算法对连续性数值属性进行离散化处理,其次利用属性在各个分类中的权重以及在整个条件属性中的权重比值,计算出该属性的离散比,避免了计算熵过程中复杂的对数运算,最后根据离散比的大小确定各个特征属性之间的拓扑结构,完成树的构建.结果表明,相较于K_C4.5和Id3_improved两种改进的决策树算法,基于离散比属性分割的算法能更有效地解决多值属性偏向,降低算法的时间复杂度,并且在实际产生的连续性数据集的分类应用上有进一步的突破.