决策树C4.5算法的优化与应用

被引：32

作者：

苗煜飞 ^{[1
]}

张霄宏 ^{[1
,2
]}

机构：

[1] 河南理工大学计算机科学与技术学院

[2] 中国科学院深圳先进技术研究院

来源：

计算机工程与应用 | 2015年 / 51卷 / 13期

关键词：

C4.5算法; 边界定理; Gini指标; 奥卡姆剃刀; 再带入估计;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

C4.5算法作为目前最具影响力的决策树分类算法,仍存一些不足之处。针对C4.5算法在对连续值属性离散化处理过程中比较耗时的缺点,基于Fayyad和Irani的边界定理,在连续属性离散化之后使用Gini指标代替信息熵对算法进行了化简。针对决策树算法中的过度拟合问题,基于Occam’s razor,采用再带入估计,对算法进行了改进。将上述思想应用于金融借贷数据,实验结果表明,改进的C4.5算法在保证准确率的前提下,执行时间平均降低8.74%,模型复杂度平均降低6.26%,表明了该算法的有效性。

引用

页码：255 / 258+270 +270

页数：5

共 8 条

[1] 基于改进的C4.5算法的网络流量分类方法 [J].

周剑峰 ;

阳爱民 ;

刘吉财 .

计算机工程与应用, 2012, 48 (05) :71-74

[2] 决策树C4.5连续属性分割阈值算法改进及其应用 [J].

姚亚夫 ;

邢留涛 .

中南大学学报(自然科学版), 2011, 42 (12) :3772-3776

[3] 一种基于变精度粗糙集的C4.5决策树改进算法 [J].

刘兴文 ;

王典洪 ;

陈分雄 .

计算机应用研究, 2011, 28 (10) :3649-3651

[4] 基于C4.5决策树的流量分类方法 [J].

徐鹏 ;

林森 .

软件学报, 2009, 20 (10) :2692-2704

[5] 一种改进的C4.5算法及实验分析 [J].

刘佳 ;

王新伟 .

计算机应用与软件, 2008, 25 (12) :260-262

[6]

A Comparison of Prediction Accuracy, Complexity, and Training Time of Thirty-Three Old and New Classification Algorithms[J] . Tjen-Sien Lim,Wei-Yin Loh,Yu-Shan Shih.Machine Learning . 2000 (3)

[7] ON THE HANDLING OF CONTINUOUS-VALUED ATTRIBUTES IN DECISION TREE GENERATION [J].

FAYYAD, UM ;

IRANI, KB .

MACHINE LEARNING, 1992, 8 (01) :87-102

[8]

Induction of decision trees[J] . J. R. Quinlan.Machine Learning . 1986 (1)

← 1 →