[发明专利]一种标准化的多维尺度代价敏感决策树构建方法

摘要

本发明提出了一种标准化的多维尺度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,这里假设满足条件的分支个数为k,此时在此节点再加一个空节点，即当前节点的分支个数为k+1,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，加上一个叶子结点，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；规避了分类过程中的偏置问题；考虑了多种代价影响因子和决策树分支中的空节点，若未知事物分类结果不符合当前模型，则可通过空节点继续下一步分类操作。

主权项

一种标准化的多维尺度代价敏感决策树构建方法，本发明涉及涉及机器学习、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、修正系数，判定条件阈值以及1）上述步骤1中所述的误分类代价矩阵C具体设定过程如下：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，则返回节点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，则该类型标记节点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目标函数：为平均信息增益函数，为标准化总测试代价函数，为标准化的误分类代价比率函数，当选择属性满足目标函数越大，则找到标记节点G当出现目标函数相等时，为打破平局标准，则按照下面的优先顺序再进行选择：（1）更小的（2）更小的步骤7：标记节点G为属性步骤8：由节点延伸出满足条件为分支,这里假设满足条件的分支个数为k,此时在此节点再加一个空节点，即当前节点的分支个数为k+1,同时利用先剪枝技术对节点进行剪枝操作，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此节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。