基于決策樹分類算法的CRM系統(tǒng)研究.pdf

1、論文中分析比較了數(shù)據(jù)挖掘的分類和預(yù)測算法，重點(diǎn)研究了數(shù)據(jù)挖掘決策樹分類算法，并在此基礎(chǔ)上對決策樹的穩(wěn)定性和效率進(jìn)行了分析。針對傳統(tǒng)ID3算法存在的屬性取值偏向問題提出了一種新的優(yōu)化算法Q-ID3算法。 論文中利用信息熵、條件熵公式推導(dǎo)出先驗(yàn)知識度劃分標(biāo)準(zhǔn)公式，該公式把信息熵公式中加權(quán)和轉(zhuǎn)換為加權(quán)和加先驗(yàn)知識度參數(shù)。參數(shù)Q值域?yàn)閇0，1]，其大小由決策者根據(jù)先驗(yàn)知識或領(lǐng)域知識來確定，通過引入該參數(shù)加強(qiáng)了重要屬性的標(biāo)注，降低非重要屬

2、性的標(biāo)注。對于空間過大的實(shí)例集，利用先驗(yàn)知識度參數(shù)可以減小搜索空間提高學(xué)習(xí)效率，建立結(jié)構(gòu)簡單的決策樹，與實(shí)際情況更為相符。Q-ID3算法保留了傳統(tǒng)ID3算法的分類簡單、規(guī)則易理解的優(yōu)點(diǎn)，又避免了偏向于取值較多但實(shí)際中卻并不總是最優(yōu)的屬性作為測試屬性的缺點(diǎn)。 通過隨機(jī)生成不同規(guī)模數(shù)據(jù)集，利用Q-ID3算法構(gòu)造決策樹，從生成決策樹的形態(tài)和生成決策樹的時間兩個方面與傳統(tǒng)ID3算法進(jìn)行比較，在不同規(guī)模的數(shù)據(jù)集中，Q-ID3算法構(gòu)造決策樹