基于VPRS的决策树算法中处理噪音数据的新方法

doi:10.3724/SP.J.1087.2005.0989

计算机应用 ›› 2005, Vol. 25 ›› Issue (05): 989-991.DOI: 10.3724/SP.J.1087.2005.0989

基于VPRS的决策树算法中处理噪音数据的新方法

乔梅^1,2，韩文秀¹

1.天津大学管理学院；2.天津理工大学计算机科学与工程系

发布日期:2005-05-01 出版日期:2005-05-01
基金资助:
天津市教委高校科技发展基金资助项目(020714)

New method of processing noise data in decision tree algorithm based on variable precision rough set model

QIAO Mei^1,2, HAN Wen-xiu¹

1. School of Management, Tianjin University, Tianjin 300072, China; 2. Department of Computer Science and Engineering, Tianjin University of Technology, Tianjin 300191, China

Online:2005-05-01 Published:2005-05-01

摘要/Abstract

摘要： 噪音数据是影响决策树训练效率和结果集质量的重要因素。目前的树剪枝方法不能消除噪音数据对选择决策树测试节点属性的影响。为改变这种状况,基于变精度Rough集(VPRS)模型,提出了一个在决策树算法中处理噪音数据的新方法———预剪枝法,该方法在进行选择属性的计算之前基于变精度正区域求取属性修正的分类模式,来消除噪音数据的对选择属性以及生成叶节点的影响。利用该方法对基本ID3决策树算法进行了改进。分析和实验表明,与先剪枝方法相比,该方法能进一步减小决策树的规模和训练时间。

关键词: 决策树, 数据噪音, 变精度Rough集(VPRS), 预剪枝

Abstract: Noise data is the main factor affecting the training efficiency and quality of decision tree. Present pruning methods can’t eliminate the effect of noise data on choosing test attribute of tree node. In order to solve the problem, a new method of processing noise data — predictive pruning method was presented based on Variable Precision Rough Set (VPRS)model, which eliminated the influence of noise data using variable precision positive area before the calculation of choosing the test attribute of tree node. By using the method to improve the ID3 algorithm, experiments show that the algorithm generates smaller decision tree and uses less training time than the algorithm using pre-pruning method.

Key words: decision tree, noise data, Variable Precision Rough Set (VPRS), predictive pruning

中图分类号:

TP311

乔梅，韩文秀. 基于VPRS的决策树算法中处理噪音数据的新方法[J]. 计算机应用, 2005, 25(05): 989-991.

QIAO Mei, HAN Wen-xiu. New method of processing noise data in decision tree algorithm based on variable precision rough set model[J]. Journal of Computer Applications, 2005, 25(05): 989-991.

[1]	谢鑫, 张贤勇, 王旋晔, 唐鹏飞. 变精度邻域等价粒的邻域决策树构造算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 382-388.
[2]	王雅辉, 钱宇华, 刘郭庆. 基于模糊优势互补互信息的有序决策树算法[J]. 计算机应用, 2021, 41(10): 2785-2792.
[3]	周翔, 翟俊海, 黄雅婕, 申瑞彩, 侯璎真. 基于随机森林和投票机制的大数据样例选择算法[J]. 计算机应用, 2021, 41(1): 74-80.
[4]	赵一, 段兴, 谢仕义, 梁春林. 面向特定目标自识别的交通图像语义检索方法[J]. 《计算机应用》唯一官方网站, 2020, 40(2): 553-560.
[5]	王伟, 谢耀滨, 尹青. 针对不平衡数据的决策树改进方法[J]. 计算机应用, 2019, 39(3): 623-628.
[6]	莫赞, 盖彦蓉, 樊冠龙. 基于GAN-AdaBoost-DT不平衡分类算法的信用卡欺诈分类[J]. 计算机应用, 2019, 39(2): 618-622.
[7]	郭冰楠, 吴广潮. 基于改进的代价敏感决策树的网络贷款分类[J]. 计算机应用, 2019, 39(10): 2888-2892.
[8]	颜宏文, 盛成功. 基于层次聚类和极限学习机的母线短期负荷预测[J]. 计算机应用, 2018, 38(8): 2437-2441.
[9]	折蓉蓉, 张丽萍, 侯敏, 闫盛. 基于决策树推荐克隆重构的方法[J]. 计算机应用, 2018, 38(7): 2037-2043.
[10]	徐光宪, 赵越, 赖俊宁. 基于网络编码的确定性逐层构造算法[J]. 计算机应用, 2018, 38(3): 769-775.
[11]	段大高, 盖新新, 韩忠明, 刘冰心. 基于梯度提升决策树的微博虚假消息检测[J]. 计算机应用, 2018, 38(2): 410-414.
[12]	黄宇扬, 董明刚, 敬超. 面向K最近邻分类的遗传实例选择算法[J]. 计算机应用, 2018, 38(11): 3112-3118.
[13]	王婷, 王祺, 黄越圻, 殷亦超, 高炬. 基于症状构成成分的上下位关系自动抽取方法[J]. 计算机应用, 2017, 37(10): 2999-3005.
[14]	陈环环, 陈小红, 阮彤, 高大启, 王昊奋. 知识驱动的游戏攻略自动标注算法[J]. 计算机应用, 2017, 37(1): 278-283.
[15]	任胜兵, 吴斌, 张健威, 王志健. 基于可满足性模理论求解器的程序路径验证方法[J]. 计算机应用, 2016, 36(10): 2806-2810.

基于VPRS的决策树算法中处理噪音数据的新方法

New method of processing noise data in decision tree algorithm based on variable precision rough set model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics