一种懒惰式决策树和普通决策树结合的分类模型--半懒惰式决策树

懒惰式决策树分类是一种非常有效的分类方法。它从概念上为每一个测试实例建立一棵"最优"的决策树。但是,大多数的研究是基于小的数据集合之上。在大的数据集合上,它的分类速度慢、内存消耗大、易被噪声误导等缺点,影响了其分类性能。通过分析懒惰式决策树和普通决策树的分类原则,提出了一种新的决策树分类模型,Semi-LDtree。它生成的决策树的节点,如普通决策树一样,包含单变量分裂,但是叶子节点相当于一个懒惰式决策树分类器。这种分类模型保留了普通决策树良好的可解释性,实验结果表明它提高了分类速度和分类精确度,在某些分类任务上它的分类性能经常性地胜过两者,特别是在大的数据集合上。

基于K-近邻的局部懒惰式决策树分类模型

分类是数据挖掘的一个重要研究课题,其概念是在已有数据的基础上构造出一个分类模型。该模型能够把数据库中的数据记录映射到给定类别中的某一个,从而进行数据的分类。通过对懒惰式学习策略的研究,在大量实验的基础之上,提出了一个新的分类模型——Local-LDtree。介绍了Local-LDtree模型的原理和算法,分析了其在分类精确度方面的优劣,指出了对其进行改进的方向。

急切式和懒惰式学习策略相结合的决策树分类模型

急切式学习策略和懒惰式学习策略有着不同的学习和分类机制.通过分析急切式学习策略下的普通决策树模型和懒惰式学习策略下的懒惰式决策树模型,提出了一种新的决策树分类模型即Semi-LDtree.它生成的决策树的结点,如普通决策树一样,包含单变量分裂,但是叶子结点相当于一个懒惰式决策树分类器.这种分类模型保留了普通决策树良好的可解释性,实验结果表明它提高了分类速度和分类精确度,特别是在大的数据集合上效果更加明显.