模糊決策樹(shù)產(chǎn)生過(guò)程中參數(shù)的敏感性分析.pdf

1、基于ID3算法的決策樹(shù)歸納學(xué)習(xí)是歸納學(xué)習(xí)的一個(gè)重要分支，可用于知識(shí)的自動(dòng)獲取過(guò)程。隨著歸納學(xué)習(xí)研究的深入，具有精確描述特征的示例學(xué)習(xí)已不能適應(yīng)一個(gè)系統(tǒng)中不精確知識(shí)自動(dòng)獲取的要求，研究不確定環(huán)境中的示例學(xué)習(xí)已非常必要，進(jìn)而產(chǎn)生了傳統(tǒng)ID3算法的模糊推廣——模糊ID3算法。在模糊決策樹(shù)的產(chǎn)生過(guò)程中，用模糊熵選擇的擴(kuò)展屬性不能像經(jīng)典決策樹(shù)那樣將類(lèi)清晰的分開(kāi)，而是屬性術(shù)語(yǔ)所覆蓋的例子之間有一定的重疊，因此樹(shù)的整個(gè)產(chǎn)生過(guò)程在給定的顯著性水平α的基

2、礎(chǔ)上進(jìn)行，參數(shù)α的引入能在一定程度上減少這種重疊，從而減少分類(lèi)的不確定性，提高模糊決策樹(shù)的分類(lèi)結(jié)果。而它一般由領(lǐng)域?qū)＜腋鶕?jù)經(jīng)驗(yàn)或需要直接給出，這種人為的參與過(guò)分依賴(lài)于專(zhuān)家知識(shí)，從而可能使實(shí)際分類(lèi)結(jié)果在規(guī)則數(shù)、準(zhǔn)確率方面達(dá)不到最優(yōu)。 本文在VisualC++軟件開(kāi)發(fā)平臺(tái)及模糊ID3算法的基礎(chǔ)上，從解析的角度出發(fā)，通過(guò)分析參數(shù)α與模糊熵之間的函數(shù)關(guān)系式，討論了隨著α的增加，模糊熵函數(shù)的變化趨勢(shì)，進(jìn)一步分析了參數(shù)α對(duì)模糊決策樹(shù)的分類(lèi)結(jié)