ROC分析技术在机器学习中的应用

ROC(受试者工作特征)分析技术是一种用来衡量分类算法和图示它们性能的技术。与传统的正确率相比,ROC分析更能够全面地描述分类算法的分类性能。该方法具有可信度高,描述客观精确,特别是不受数据环境影响等优势。对国内外这一方法的研究成果进行了较为系统地介绍,详细分析了它的优缺点,最后对这一技术的发展进行了展望。

ROC分析技术的研究现状和发展趋势

阐述ROC分析技术的基本概念,介绍几种主要多类ROC分析方法:一对多ROC分析方法、成对ROC分析方法、Hand和Till提出的M函数(HTM)、改进的HTM方法和Mossman的三类别ROC分析方法、AUC(Area Under the ROC)扩展等,分析了现有几种方法的不足,预测ROC分析技术的未来发展趋势。

基于IF-THEN规则的决策树裁剪算法

决策树是机器学习和数据挖掘领域中一种基本的学习方法。文中分析了C4.5算法以及该算法不足之处,提出了一种决策树裁剪算法,其中以规则信息量作为判断标准。实验结果表明这种方法可以提高最终模型的预测精度,并能够很好克服数据中的噪音。