基于改进C5.0决策树算法的电力营销异常数据挖掘研究

由于电力营销数据规模较大且数据组成复杂,传统挖掘方法容易出现异常数据识别不准确的问题,本文研究基于改进C5.0决策树算法的电力营销异常数据挖掘。通过收集与预处理等步骤做好电力营销数据的准备工作,引入信息熵改进C5.0决策树算法的属性选择方式,并利用改进后算法挖掘电力营销异常数据。实验结果表明,设计方法下电力营销异常数据挖掘结果的正确率高达97.5%,挖掘性能较强。

基于Boosting算法的C5.0决策树不平衡数据分类算法

为了改进不平衡数据的分类性能,提出一种可自动确定迭代参数trail值的集成C5.0决策树算法.首先,算法引入boosting集成框架到C5.0决策树算法中,从而生成新的集成分类器;其次,算法使用网格搜索法在一定范围内自动确定trail参数的值.实验结果表明,该算法在不平衡数据上的分类性能指标G-mean和MCC上具有优势.

探究基于改进决策树的电力营销数据挖掘方法

电力营销数据量庞大、数据组成复杂,为了更好地服务于电力营销活动,需对电力企业各部门运行数据展开深度挖掘和深层次分析。本文提出改进C5.0决策树,可为用户提供更深层的数据信息,为其进行电力营销决策提供数据支持。结合改进C5.0决策树,对原有引入信息熵的原有属性进行深度挖掘。通过不同决策树对比分析分类性能,包括分类准确率、分类时间,最终测试结果为改进C5.0决策树算法的分类准确率为87.0%、分类时间为1.85s,相比传统的BP神经网络、ID3.0决策树,改进C5.0决策树在分类准确率和分类时间上有较为明显的优势。

基于C5.0决策树分类算法的ETM+影像信息提取

利用C5.0决策树算法对ETM+影像进行信息提取,通过与其他分类方法提取结果的对比,得出C5.0决策树分类算法精度较高。大气校正与数据融合可明显提高分类精度,利用经过NDVI、NDBI、缨帽变换处理后的影像组合数据进行信息提取可进一步提高分类精度。研究发现,C5.0决策树算法用未处理的资料生成决策树的效果较差,而经大气校正和数据融合后计算出NDVI、NDBI及缨帽变换的前3个分量的组合数据生成的决策树深度最小,并且分类精度最高。

基于C5.0决策树算法的落叶松人工林提取研究

如何有效提取落叶松人工林信息是落叶松人工林资源调查的关键。本论述以黑龙江省佳木斯市桦南县孟家岗林场为研究试验区域,利用"高分一号"卫星影像(以下简称GF-1)并结合其他辅助数据,在分析落叶松人工林光谱信息的基础上,基于灰度共生矩阵方法提取了8种纹理信息,并根据落叶松人工林季相特征,提取研究区内植被的NDVI、DVI、RVI和EVI时间序列特征,建立基于C5.0决策树算法的落叶松人工林决策树模型,通过10次分类试验,筛选出最优的决策规则,用于落叶松人工林提取研究。结果表明,C5.0决策树算法能综合纹理信息、植被指数和光谱特征信息,自动寻找区分落叶松人工林的最佳特征组合及分割阈值,分类总体精度达到92.25%,Kappa系数为0.87,面积精度为92.79%,能有效地提取落叶松人工林信息。本研究可为森林资源调查提供理论基础与技术支持。

利用C5.0决策树算法解释碳酸盐岩储层渗透率

以某油田孔隙型碳酸盐岩为例,提出利用C5.0决策树算法解释储层渗透率。在常规物性分析和测井资料基础上,根据孔隙结构表征参数建立储层分类标准并回归渗透率计算公式。通过多个测井曲线资料组合构建及决策树建模分析,优选出储层分类表现最佳的资料组合和模型,使用该模型将取心段储层分类标准和渗透率计算公式推广到非取心段,完成测井解释。通过与岩心渗透率相比较,该方法得到的渗透率误差整体较小,并且非含水采油井射孔段渗透率与米采油指数呈正相关关系,说明该方法的有效性。所使用的常规物性分析和测井资料是最常见的油气田静态资料,该方法具有一定的普适性。

改进Relief-C5.0的恶意域名检测算法

针对目前恶意域名检测算法中分类模型计算复杂度较大、实时性不强以及准确率不高等问题,提出了Rf-C5(Relief-C5.0)恶意域名检测算法模型。提取待测域名的全局URL特征,根据提取的特征按照改进的Relief算法进行权重计算,并依据权重值进行优先级排序;选取权重值排名前20的关键特征作为C5.0分类器的输入端,进行合法域名与恶意域名的分类。实验结果表明,在大样本数据集下,Rf-C5模型与当前主流恶意域名检测算法相比,在提高平均检测速率的基础上,检测准确率提高了1.58~4.91个百分点。

基于C5.0决策树的船舶交通事故致因分析模型及应用

为减少船舶交通事故的发生,对船舶交通事故的致因展开研究。首先,以事故类型作为输出变量,以船舶交通事故数据为样本,构建基于C5.0算法的船舶交通事故致因路径分析模型;然后,确定事故致因路径分析有效性评价指标;再次,运用“2-4”模型(24Model),对所识别出的不同类型事故致因路径因果关系进一步分析,提出通过切断事故潜在致因路径的船舶交通事故预控措施;最后,将894起船舶交通事故数据样本随机分为80%的训练集和20%的测试集,应用所提出的模型进行分析。结果表明:所提出的模型可以生成不同类型事故的分类规则集,模型分类正确率达到90%以上,且模型具有强的泛化能力。结合分类规则集构建的船舶交通事故致因链为船舶交通事故的防范提供定量化的理论依据。

基于决策树的水稻病虫害发生程度预测模型——以芜湖市为例

利用芜湖市1988—2022年7种水稻病虫害发生及种植面积数据,国家气候中心逐月大气环流和海温指数,基于C5.0决策树算法,构建一种以大气环流和海温指数作为预报因子的水稻病虫害发生程度的长期预测模型。结果表明,该模型可较好地预测未来一年芜湖市各种水稻病虫害发生程度,2022年7种病虫害发生程度预测准确率平均为85.7%,为水稻病虫害发生程度的预测提供一种有效的实用方法。

基于C4.5决策树的自主步态选择算法

针对四足机器人如何自主选择静动步态问题,提出了一种基于C4.5决策树的自主步态选择算法.首先,研究影响四足机器人静动步态行走的4个主要因素:地形复杂度、速度、行走能耗和稳定性,并分析这4个因素之间的内在联系.然后,将以上4个因素作为静动步态选择依据,研究一种基于C4.5决策树的自主步态选择算法,通过训练得到静动步态自主决策规则.最后,综合6个目标因素加权的改进A*路径规划算法,仿真验证了所提算法的有效性和可行性.

决策树算法在大学生心理健康测评系统中的应用

决策树是非常流行的数据挖掘方法.介绍了决策树的理论,分析了决策树的构造,讨论了C5.0算法的思想及其优缺点,同时为深入了解影响大学生心理健康的主要心理症状及因素,将C5.0算法应用于大学生心理健康测评数据,根据挖掘结果可以更深入的了解学生心理健康问题,为高校开展好大学生心理健康教育有着现实的意义.

基于改进C5.0的元胞自动机模型研究——以土地利用问题为例

元胞自动机模型是通过局部的相互作用及变化来模拟全局的变化,是复杂结构来源于简单系统的重要体现。元胞自动机模型的核心是转换规则的获取,获取转换规则的方法有多种。建立一种基于改进C5.0决策树的元胞自动机模型,基于属性值的相似性对C5.0决策树算法进行改进,以期提高元胞自动机的模拟精度,该模型适用于多种复杂系统的模拟问题研究。最后以土地利用问题为例演示了模型的应用。

基于电子病历的肺癌诊断决策树算法

随着人民生活水平的不断提高,肿瘤疾病的人数在不断增多,其中肺癌是21世纪严重危害人类健康的重大疾病.为此提出一种基于电子病历的肺癌诊断决策树方法.首先分析肺癌电子病历的特点以及决策树存在结构不稳定、过拟合等现象,运用主成分分析法结合C5.0算法构建的优化决策树模型.首先,建立主成分特征根大于1以及主成分累计贡献率大于85%的特征降维两种方法,然后通过C5.0算法建立决策树模型和剪枝操作,最后给出数据预处理过程及模型的执行流程和测试结果.实验结果分析,改进的算法有较好的准确率以及良好的可扩展性,从而验证了改进后的算法对于辅助肺癌临床实验具有重要的意义.

C4.5算法的改进及其在学生成绩分析中的应用

介绍了一种C4.5算法的改进方法,即在计算属性信息增益率时只用到加减乘除运算,而不是像C4.5那样的大量用到对数运算。实验表明,改进的C4.5算法在不改变模型预测准确率的同时,减少了计算时间,提高了决策树的生成效率,而后将改进的C4.5算法作用于《大学计算机基础》课程的成绩分析,得到的分析结果用于辅助指导教师对《大学计算机基础》课程的教学工作,能够更好地促进教学,提高学生对此门课程的掌握程度和为普及计算机做出帮助。

决策树算法在未成年人犯罪成因中的应用研究

犯罪成因的分析在未成年人犯罪研究中起着重要的作用,而分类算法在分析犯罪成因上是卓有成效的。决策树算法是分类算法中一类重要的算法,其中以C4.5算法最为流行,但这种算法在时间复杂性和增量式学习方面还不是很理想,因此有必要对其进行改进。

新常态下ST公司财务困境预警研究——基于C5.0算法的财报面板数据

ST公司是指已陷入财务困境而被"特别处理"的上市公司,其将来财务状况的发展自然受到众多利益相关者的瞩目。本文构建融合F-Score模型与决策树C5.0算法的财务预警模型,以26家ST公司2012~2015年的财报面板数据作为研究对象,通过实际数据的分析和测试,结果发现:某些关键财务指标的变动对ST公司的财务困境程度起到重要影响,甚至是决定性作用。所构建的财务困境预警体系可以较好地预测ST公司的未来财务状况。基于该预警模型,已陷入财务困境的ST公司可判断自身困境程度,并有针对性地设法减轻乃至摆脱财务困境,最终适应我国经济的"新常态"。

基于Apriori和C5.0算法的智能电表故障预测

针对智能电表故障状态的预测问题,提出了一种基于Apriori算法和C5.0算法建立智能电表故障识别模型,实现智能电表故障的预测。首先,对智能电表历史故障数据库进行数据挖掘预处理,并采用Apriori算法进行强关联因素深度挖掘。然后,将强关联因素组成的数据集合分为训练数据集和测试数据集两部分,采用C5.0算法对训练数据集进行数据挖掘,生成智能电表故障初步预测规则。接着,根据测试集的数据对初步预测规则的正确性进行评估:如果准确度满足要求,确定预测规则;如果不满足,则返回训练集。最后,根据获得的预测规则建立智能电表故障状态预测模型进行智能电表故障预测。算例分析结果证明,智能电表故障状态预测模型具有较高的精度,可获得极为准确的故障状态预测结果。

基于C5.0算法的航空客户流失分析

客户流失问题是长期困扰航空公司的重大问题,并且在航空业方面一直未被重视。利用决策树模型中的C5.0算法建立了航空公司的客户流失预警模型,并用真实的航空公司营业数据进行了实证分析。结果表明,该模型具有较好的准确性和预测性,为航空公司提供了准确、可靠的决策指导。

决策树技术及其在药物治疗中的应用

介绍了决策树技术及其算法,采用决策树中的C5.0算法,结合Clementine工具对所给数据进行了分类,实现了其在药物治疗上的应用。

基于决策树技术的建筑企业信用评价研究

在决策树理论的指导下,通过信息增益的应用和公式的构造获取属性重要程度评价值,结合决策树的C5.0算法得到建筑企业的信用评价模型。经过对该模型进行测试和评价,取得了较好的预测效果。