[发明专利]一种多维尺度的异构代价敏感决策树构建方法

摘要

本发明提出了一种多维尺度的异构代价敏感决策树构建方法，根据属性的目标函数从候选属性中选，由节点延伸出满足条件分支,同时利用先剪枝技术对叶子节点进行剪枝操作，一边建树一边剪枝，当满足以下两个条件时，停止建树。一、假设为训练数据集中的样本集合，如果为空，加上一个叶子节点，标记为训练数据集中最普通的类。二、此结点中所有例子属于同一类。此发明提高了分类的准确度；扩大了应用的范围；避免了分裂属性信息存在因过小而被忽略的风险；降低了风险率；提高了分类学习的速率。

主权项

一种多维尺度的异构代价敏感决策树构建方法，该方法涉及涉及机器学习、人工智能以及数据挖掘领域，其特征是，包括如下步骤：步骤1：设训练集中有X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、属性测试代价为、资源调节因子—相对等待时间代价值1）上述步骤1中所述的误分类代价矩阵C具体设定如下：相关领域用户误分类代价矩阵C的设定：类别标识个数为m，则该数据的代价矩阵方阵是：其中表示第类数据分为第类的代价，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，则该类型标记结点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：根据属性的目标函数从候选属性中选择步骤7：标记结点G为属性步骤8：由结点延伸出满足条件为分支,同时利用先剪枝技术对叶子节点进行剪枝操作，一边建树一边剪枝，如果满足以下两条件之一，就停止建树8.1这里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8.2此结点中所有例子属于同一类步骤9：非8.1与8.2中情况，则递归调用步骤6至步骤8步骤10：更新训练数据集，保存新的示例数据。