基于最大熵选取示例的增量决策树归纳

被引：7

作者：

闫建辉 ^{[1
]}

王熙照 ^{[1
]}

隋春荣 ^{[2
]}

王硕 ^{[1
]}

苑俊英 ^{[1
]}

机构：

[1] 河北大学数学与计算机学院

[2] 邢台学院

来源：

计算机工程与应用 | 2006年 / 35期

关键词：

样例挑选; 信息熵; 模糊决策树归纳; 泛化精度;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

设A是一训练集,B是A的一个子集,B是选择A中部分有代表性的示例而生成的。得到了这样一个结论,即对于适当选取的B,由B训练出的决策树其泛化精度优于由A训练出的决策树的泛化精度。进一步,设计实现了一种如何从A中挑选有代表性的示例来生成B的算法,并从数据分布和信息熵理论角度分析了该算法的设计原理。

引用

页码：160 / 162+187 +187

页数：4

共 6 条

[1]

Incremental Induction of Decision Trees.[J].Paul E. Utgoff.Machine Learning.1989, 2

[2]

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

[3]

信息量和熵的关系 [J].

常宏宇 .

数学的实践与认识, 2005, (05) :137-140

[4]

决策树技术及其当前研究方向 [J].

John Durkin ;

蔡竞峰 ;

蔡自兴 .

控制工程, 2005, (01) :15-18+21

[5]

两种模糊决策树算法的对比研究 [J].

王金凤 ;

王熙照 ;

不详 .

计算机工程与应用 , 2003, (29) :92-95

[6]

模糊决策树算法与清晰决策树算法的比较研究 [J].

王熙照 ;

孙娟 ;

杨宏伟 ;

赵明华 .

计算机工程与应用, 2003, (21) :72-75+99

← 1 →