学位论文 > 优秀研究生学位论文题录展示

训练数据分类结果的不可指定性与模糊决策树泛化能力关系的研究

作　者: 高相辉
导　师: 王熙照
学　校: 河北大学
专　业: 计算机应用技术
关键词: 模糊决策树分类结果的不可指定性训练精度测试精度泛化能力
分类号: TP181
类　型: 硕士论文
年　份: 2007年
下　载: 20次
引　用: 0次
阅　读: 论文下载

内容摘要

决策树归纳算法是归纳学习中最重要的分支之一,是归纳推理中应用最广,最实用的方法之一。模糊决策树算法是决策树算法的一种推广,使之能够处理模糊性和不可指定性信息。模糊决策树与清晰决策树有许多不同,其中一点是推理机制的不同。在清晰情况下,对于给定的一个样例,只有一条规则可以用于分类。但在模糊情况下,有多条规则可以同时应用于一个样例,因此在模糊决策推理过程中,一个样例可能会以不同的程度被分到不同的类别中。决策树正确分类训练集之外数据的能力称为泛化能力,也称为预测能力。泛化能力是评价决策树生成算法好坏的最重要指标。泛化能力越强,预测精度就越高。判断决策树泛化能力强弱的最直接的方法是决策树对未见过的样例能正确分类的个数。测试精度越高,决策树的泛化能力就越强。在实际应用中,决策树算法的泛化能力直接影响着决策的准确度。个样例匹配一组IF-THEN模糊规则的分类结果通常是一种可能性分布。这种可能性分布可以用不可指定性来度量。本文试找出训练数据分类结果的不可指定性与测试精度(也称泛化能力)之问的关系,试给出评价模糊决策树泛化能力的一个新的指标。首先用模糊决策树算法产生一组IF-THEN模糊规则,然后用训练集和测试集匹配生成的IF-THEN模糊规则,计算训练数据分类结果的不可指定性和测试精度。根据实验结果,我们发现在训练精度不降低的约束下,通常训练数据分类结果的不可指定性越大,测试精度越高,泛化能力越强。并对实验结果,给出了一些解释和推断。

全文目录

摘要  4-5
Abstract  5-8
第1章绪论  8-12
  1.1 研究背景与意义  8-9
  1.2 国内外发展现状  9-11
  1.3 本文研究的主要内容  11
  1.4 本文的组织  11-12
第2章模糊决策树学习  12-27
  2.1 模糊集  12-14
    2.1.1 模糊集和隶属函数  12-13
    2.1.2 模糊集的表示方法  13-14
  2.2 模糊推理  14-17
    2.2.1 模糊产生规则  14-15
    2.2.2 分类问题中不确定性表示  15-16
    2.2.3 不确定性度量  16-17
  2.3 模糊决策树的归纳过程  17-24
    2.3.1 数据预处理  19-23
    2.3.2 归纳建立决策树  23
    2.3.3 模糊决策树转换成模糊规则  23-24
    2.3.4 应用模糊规则分类  24
  2.4 清晰决策树与模糊决策树的比较  24-27
第3章训练数据分类结果的不可指定性与模糊决策树泛化能力关系的研究  27-38
  3.1 决策树的泛化能力  27
  3.2 模糊决策树的分类结果及不可指定性度量  27-29
  3.3 研究的问题  29-31
    3.3.1 影响决策树构建的参数  29-30
    3.3.2 训练数据分类结果的不可指定性与泛化能力的关系研究  30-31
  3.4 实验  31-37
    3.4.1 数据库介绍  31-32
    3.4.2 实验过程描述  32-37
  3.5 实验结果及分析  37-38
第4章结论与展望  38-39
参考文献  39-41
攻读硕士学位期间科研工作情况  41-42
致谢  42

训练数据分类结果的不可指定性与模糊决策树泛化能力关系的研究

内容摘要

全文目录

相似论文