[发明专利]基于代价敏感二维尺度决策树构造方法

摘要

本发明提出了基于代价敏感二维尺度决策树构造方法，涉及人工智能、机器学习技术领域，该方法应用测试代价与误分类代价之和最小值进行属性选择，依次构造决策树，利用测试代价指标函数、误分类代价函数、信息增益函数求解总代价成本目标函数，为了解决得出的决策树存在过渡拟合问题，提出了后剪支方案，使得得出的决策树在预测未知对象时更加准确。

主权项

基于代价敏感二维尺度决策树构造方法，该方法涉及人工智能、机器学习技术领域，其特征是：该方法应用测试代价与误分类代价之和最小值进行属性选择，依次构造决策树，为了解决得出的决策树存在过渡拟合问题，提出了后剪支方案，使得得出的决策树在预测未知对象时更加准确，本方法的具体实施步骤如下：步骤1.设训练集中有个样本，属性个数为n，即,同时分裂属性对应了m个类L，其中,，相关领域用户设定好误分类代价矩阵C、测试成本、经济因子w;步骤1.1：设立误分类代价矩阵类别标识个数为m，则该数据的代价矩阵方阵是：其中表示第j类数据分为第i类的代价，如果为正确分类，则,否则为错误分类，其值由相关领域用户给定,这里;步骤2：创建根节点G；步骤3：如果训练数据集为空，则返回结点G并标记失败；步骤4：如果训练数据集中所有记录都属于同一类别，则以该类型标记结G； 步骤5：如果候选属性为空，则返回G为叶子结点，标记为训练数据集中最普通的类；步骤6：根据总代价成本目标函数从候选属性中选择属性；总代价目标函数为：,其中为选择属性S时，为测试代价指标函数,为把选择属性预测为第类所引起的误分类代价指标函数；当选择属性满足总代价成本目标函数最小时，则找到标记结点G；步骤7：标记结点G为属性；步骤8：由结点延伸出满足条件为分枝；步骤8.1：假设为训练数据集中的样本集合，如果为空，加上一个叶子结点，标记为训练数据集中最普通的类；步骤9：非步骤8.1的情况，则递归调用步骤6至步骤8；步骤10：利用后剪支技术解决此决策树模型中过度拟合问题；步骤11：更新训练数据集，保存新的示例数据。