差转计算算法在连续型因素上的改进与应用

为解决差转计算算法在连续型数据下挖掘出的推理知识可靠性低、知识泛化效果差和泛化过程存在一定判别风险的问题,在概率论与数理统计、因素空间理论背景下,结合差转计算算法原理,文章提出了一种新的连续型数据离散化方法,并构造了累积决定度、相对贡献度用于度量推理知识的可信赖程度。为验证所提离散化方法的有效性,将其与差转计算算法结合并应用于恶性肿瘤辅助诊断中,并以决策树为对比算法,实证结果表明:所提离散化方法与差转计算算法的融合有效提升了算法泛化效果,融合后的差转计算算法决策综合性能与决策树相当,且知识表达较决策树简单;构造的累积决定度、相对贡献度两个指标能够有效度量推理知识的贡献度和可信赖程度。