共 1 条
一种与神经元网络杂交的决策树算法
被引：6
作者：
邵华
赵宏
机构：
[1] 东北大学软件中心
[2] 东北大学软件中心 辽宁沈阳
[3] 辽宁沈阳
来源：
关键词：
数据挖掘;
决策树;
神经元网络;
D O I：
暂无
中图分类号：
TP183 [人工神经网络与计算];
学科分类号：
081104 ;
0812 ;
0835 ;
1405 ;
摘要：
神经元网络在多数情况下获得的精度要比决策树和回归算法精度高 ,这是因为它能适应更复杂的模型 .同时由于决策树通常每次只使用一个变量来分支 ,它所对应的识别空间只能是超矩形 ,这也就比神经元网络简单 ,精度不能与神经元网络相比 .然而神经元网络需要相对多的学习时间 ,并且其模型的可理解性不如决策树、Naive- Bayes等方法直观 .本文在进行两种算法对复杂模型的识别对比后 ,提出一个新的算法 NNTree,这是一个决策树和神经元网络杂交的算法 :决策树节点包含单变量的分支就象正常的决策树 ,但是叶子节点包含神经元网络分类器 .这个方法针对决策树处理大型数据的效能 ,保留了决策树的可理解性 ,改善了神经元网络的学习性能 ,同时可使这个分类器的精度大大超过这两种算法 ,尤其在测试更大的数据集复杂模型时更为明显
引用
收藏
页码：964 / 966
页数：3
相关论文