基于ELM的改进CART决策树回归算法

为提高CART(Classification And Regression Tree)决策树回归算法的准确性,提出一种基于ELM(Extreme Learning Machine)的改进CART决策树回归算法——ELM-CART算法.所提算法主要是在CART回归树创建过程中,在每个叶节点使用极限学习机建模,可以得到真正意义上的回归预测值,提高泛化能力,弥补CART决策树回归算法本身的容易过拟合以及预测输出为定值等缺点.实验结果表明,所提算法能够有效提高回归分析中目标数据的预测准确性,其准确性优于所对比算法.

基于决策树算法办公室内空气质量评估方法

针对办公室内长期空气不流通、大气污染严重的情况,设计了基于决策树算法的办公室内空气质量评估算法。应用非线性红外NDIR空气浓度分析技术,分析不同气体的光谱波长,有效地评估空气中各气体的浓度;采用基于决策树算法的CART算法,针对数据中基尼值的不同,构建最优分类树和回归树,实现对气体数据的分类和预测;最后采用生物酶包裹降解技术有效快速地降解空气中的污染物,实现室内空气的安全健康。经过试验验证,设计的空气质量评估算法具备绿色环保、高能效和短周期等优点,对空气中污染物综合治理率高达98%。

基于分类回归决策树算法的航班延误预测模型

针对民航客机航班延误问题,构建了基于随机森林(random forest)与分类回归决策树(CART,classification and regression tree)算法的航班延误预测模型,利用国内大型机场的真实数据集对模型进行训练,通过与Logistic回归算法,K-近邻回归(KNN,K-nearest neighbor)算法和决策树(decision tree)算法的训练结果对比,从拟合效果可以看出,该方法可以处理高维度数据,泛化能力好,降低了过拟合的可能性,模型的拟合程度R2可以达到0.83。

基于决策树改进CART算法的决策支持与分析技术

针对决策支持与分析技术，提出了基于决策树的改进CART算法。该算法由树生长和树剪枝两部分构成，具有辨识相关输入的能力，由于引入了递归最小二乘估计器，对线性模型可降低计算量，并采用模糊技术处理不连续边界问题。我们给出了该算法的应用实例，由于隐含权值归一化，该算法能够快捷地对自适应神经模糊推理系统进行结构辨识。

基于CART算法的纳木措湖泊面积精确提取

为了能够更精确地提取到湖泊水体的范围,对比MLC、SVM和基于多特征的全新遥感影像CART决策树分类方法,对西藏自治区的纳木措湖泊进行自动提取研究.选择Landsat 8OLI卫星遥感影像数据作为数据源.将得到的不同特征的影像进行组合,组合成全新的多特征遥感影像.决策树方法具有结构清晰、快速、简单、有效的优点,而CART算法可以根据选取的训练样本获取节点和阈值,不需要反复试验来确定阈值,避免了基于传统专家知识方法的主观性,因此采用CART算法构建决策树模型对研究区域进行湖泊水体的提取.结果表明CART决策树方法总体精度为99.82%,Kappa系数为0.996,MLC总体精度为96.814%,Kappa系数值为0.929,SVM总体精度为98.045%,Kappa系数值为0.956,总体精度相较于SVM和MLC分别提高了3%、1.775%,Kappa系数提高了0.067、0.04.CART决策树、MLC、SVM所得到的湖泊面积分别为2009.43、2014.93、2026.9 km^(2),MLC和SVM得到的结果比CART决策树分类法存在更多的错分和漏分现象,主要是将山地中的阴影信息错认为是水体,CART决策树方法识别到的细小水体更加连续,对于湖泊边界识别的效果也更好.

决策树模型在临床研究数据分析中的应用

决策树模型是一种有监督的机器学习方法,分类规则通常采取IF-THEN形式,分析结果常以树形图呈现,具有可解释性强、易于理解的优势,在灾害预测、环境监测、临床诊疗决策等领域均有广泛的应用。本文从决策树模型概念入手,介绍了决策树模型的一般构建步骤、分类与回归树(classification and regression tree,CART)决策树模型在临床研究数据分析中的应用,并应用SPSS软件示例CART决策树模型的构建过程和实现方法,以期为临床研究者采用决策树模型进行数据分析提供参考。

基于混合梯度提升决策树和逻辑回归模型的分组密码算法识别方案

针对密码算法识别工作中因密码算法数量增多、密文数据复杂化以及数据间干扰增加,导致单层识别方案的识别准确率和稳定性变差等问题,提出一种基于混合梯度提升决策树和逻辑回归模型,并基于该模型构造分组密码算法识别方案。在该方案中,首先,采用NIST随机性测试标准中的15种测试方法作为密文特征提取方法对密文文件进行特征提取,并选定有意义的10种特征值作为分类器的输入;然后,使用这10组特征训练梯度提升决策树模型,并利用其学习而生成的树来构造新特征;最后,将这些新特征做one-hot编码,并将其加入到原有特征中训练逻辑回归模型进行预测。在唯密文情况下,基于9种不同的分类器模型分别构造9种不同的密码算法识别方案,并利用这9种方案对2种典型的分组密码算法AES和3DES加密的不同大小的密文文件进行密码算法二分类实验,对5种常用的分组密码算法AES、3DES、Blowfish、CAST和RC2加密的不同大小的密文文件进行密码算法五分类实验。实验结果表明,相较于其他识别方案,当密文长度相同时,本文所提方案在二分类和五分类识别问题中几乎均有最高的识别准确率。同时,随着密文长度的变化,识别准确率呈波动性变化,本文所提方案波动幅度最小,受影响程度最小,稳定性最高。

基于CART决策树算法的企业研发项目绩效评价研究

在企业高质量发展背景下,研发是企业创新的源泉,但由于其复杂性和产出的不确定性,如何对研发项目进行科学、合理的绩效评价是企业需要解决的关键问题之一。以A企业为研究对象,首先在分析其研发项目绩效评价现状及存在的评价侧重点失衡、绩效考核主观性较强等问题的基础上,设计了研发项目绩效评价的流程和方法,并从项目投入、项目过程管理、项目产出以及项目预期效果四个方面建立了研发项目绩效评价指标体系;然后利用CART决策树算法构建了研发项目绩效评价模型;最后进行了模型的训练以及模型结果的分析,结果表明项目过程管理对A企业研发项目绩效评价结果的影响最大。

基于CART决策树的双尺度流域单元地貌分类研究——以北回归线(云南段)地区为例

针对当前单一地貌划分单元造成的分类结果破碎或漏分问题,该文引入双尺度流域单元划分方法,即采用两种不同大小流域单元的组合作为地貌划分基本单元,以提高地貌划分的细分性和完整性。以30 m ASTER GDEM数据为数据源,基于最佳地形因子组合(高程、地势起伏度、坡度、坡度变率、光照模拟值)、双尺度流域单元、CART决策树算法,实现了北回归线(云南段)地区平原(2类)和山地(7类)共9类地貌的划分,双尺度流域单元划分的最佳流量阈值分别为500、2000。通过平均值、标准差、Moran′s I和人工判读结果对分类结果进行检验,发现基于CART决策树的双尺度流域单元地貌分类方法在北回归线(云南段)地区总体精度可达82.1%,Kappa系数为0.793,总体能够准确识别出研究区的地貌类型空间分布特征,是地貌类型划分的一种可行方法。

基于机器学习和遗传算法的智能补货决策模型

针对当下蔬菜类商品保质期较短且品质容易下降、急需制定有效的定价和补货策略的问题,提出了一种基于机器学习和遗传算法的蔬菜类商品智能补货决策模型。首先建立基于决策树回归和随机森林的预测模型预测商品的销售总量和成本,然后,建立基于遗传算法的商品收益优化模型并求解出商超未来一周的最大收益,最后给出定价与补货决策。实验结果对多阶段的算法进行了性能分析,验证了此方法的有效性和稳定性,并为供应链管理等领域提供了稳定可靠的优化方案。

基于CART决策树的车辆与行人碰撞中头部损伤风险预测

为快速预测汽车碰撞行人头部损伤风险,建立了一种基于多刚体系统动力学仿真方法和分类回归决策树(CART)的预测模型。参考欧洲新车评价规程(Euro-NCAP),开发了具有精细化刚度特征的车辆前部结构多体模型;以行人尺寸、初始车辆速度和行人速度、人车碰撞位置、相对角度为变量,通过全因子设计试验方法,建立了4500组多体仿真模型;采用CART模型,挖掘变量与动力学响应参数的关联性。结果表明:车辆初始碰撞速度是影响行人头部动力学响应的关键因素;该模型对于碰撞速度和头部损伤准则(HIC15)值的预测精度分别为87.5%和86.8%,平均预测耗时为42.7ms,两者均具有较高的预测精度和决策能力。该结果可为制定行人头部损伤风险评估实验和损伤防护研究提供理论参考依据。

基于决策树算法的文科类科研人员数学知识模型需求研究

随着学科交叉融合的不断深入,作为自然科学基础的数学向文科的渗透趋势也越发明显,许多文科类别如教育学、法学、历史学等在科研中都对数学有着不同程度的依赖。文科类科研人员越来越需要数学知识模型作为学习、科研中信息判读的支撑,但他们缺乏相关方面的知识结构和获取途径,而关于建立服务于文科类科研人员的数学知识模型实用版网站的尝试也引起了越来越多人的关注。文章通过CART决策树算法探究了不同类型文科类科研人员对数学知识模型的需求情况并进一步探究了文科类科研人员对上述网站的受益程度的期望,对所得结果做出了解读并提出了相关思考。

一种面向对象的CART决策树火烧迹地提取方法

现有的火烧迹地遥感提取主要侧重于对光谱信息的判识,对遥感影像的形状、纹理、空间上下文等特征的挖掘尚不充分。为此,本文提出了一种面向对象的分类回归树算法(CART)决策树火烧迹地提取方法,旨在提升火烧迹地遥感信息提取的精度和可靠性。为验证方法的可行性,本文选取四川省冕宁县“4·20”森林火灾为研究区,以国产高分一号B星(GF-1B)卫星数据为数据源,对研究区影像进行面向对象的最优尺度分割,并采用CART决策树算法,根据不同地物的光谱、形状和纹理特征从中自动获取最优特征及其阈值,构建决策树实现火烧迹地提取。结果表明:该方法在火烧迹地上的提取精度(总体精度92.00%)和可靠性(Kappa系数85.56%)均优于既有的监督分类技术方法。相关研究方法和实验结果可为火烧迹地精准提取与灾后评估等研究提供参考。

基于决策树CART算法的虫害预测模型分析

频发的农田虫害给农业生产造成了极大的影响,严重影响了我国的农业经济。虫害的发生受到众多复杂环境气象因子的影响,传统的基于经验预测或是应用数学理论建模预测虫害发生状况等方法准确率低,适应性差。针对以上问题,文章提出了基于CART算法的虫害模型,使用CART算法结合复杂的环境因子与虫害发生数量建模,用于预测未来虫害发生数量,可为虫害预警提供可靠参考。

混合动力电动汽车中利用决策树CART算法的能源管理方案

针对混合动力电动汽车(HEV)氮氧化物(NO 3)排放的问题,提出了一种基于决策树CART算法的柴油混合动力能源管理策略;首先,提出了一种结合决策树与回归树的分类算法(CART),针对类别和变量特征,从一个或多个预测变量中预测出个例的趋势变化关系;然后,通过控制发动机和电动机之间的扭矩分配,引入了额外的自由度以调整从纯燃料经济性情况到纯NO 3限制情况的优化权衡;最后,采用基于软件在环路和硬件在环仿真的方法,从而根据动力系统配置了解系统性能,并调整所提出的能源管理策略;实验结果表明,提出的柴油混合动力能源管理策略中,NO 3的减少对燃料消耗的影响,且可以通过选择最佳工作点和限制发动机动力来限制NO 3排放的潜力;相比其他几种较新的同类方案,提出的方案在同等燃料消耗的情况下NO 3排放量更小,在燃料消耗略有下降的情况下,可以显着降低NO 3。

基于变化检测-CART决策树模式自动识别沙漠化信息

目前沙漠化遥感监测存在目视解译的局限性、数据源的约束性、遥感信息利用率低等问题。基于此,以民勤盆地为试验区,首先采用图像差值、最大值合成及二维最大类间方差等方法,检测1994年、2014年两期Landsat图像的变化像元,然后利用分类与回归树(CART)算法构建决策树,自动提取了2014年沙地信息,最后将变化检测结果与沙地信息进行空间叠置分析,并实现了沙漠化信息自动识别模式。研究表明,变化检测-CART决策树模式精度为89.43%~93.00%,在95%置信水平上其置信区间介于85.90%~98.00%,显然其精度具有较高可信度;该模式不仅能够充分利用丰富遥感信息而且可排除多余信息的干扰。可见,变化检测-CART决策树模式是识别沙漠化信息的有效方法之一,将对沙漠化防治工程具有重要应用价值。

CART决策树的两种改进及应用

利用Fayyad边界点判定原理对CART决策树选取连续属性的分割阈值的方法进行改进,由Fayyad边界点判定原理可知,建树过程中选取连续属性的分割阈值时,不需要检查每一个分割点,只要检查样本排序后,该属性相邻不同类别的分界点即可;针对样本集主类类属分布不平衡时,样本量占相对少数的小类属样本不能很好地对分类进行表决的情况,采用关键度度量的方法进行改进。基于这两点改进构建CART分类器。实验结果表明,Fayyad边界点判定原理适用于CART算法,利用改进后的CART算法生成决策树的效率提高了近45%,在样本集主类类属分布不平衡的情况下,分类准确率也略有提高。

基于遗传算法和模糊决策树的时间序列预测模型

股票价格预测总是投资者和技术分析者感兴趣的一个主题。然而,决定买卖股票的最好时间仍然是困难的,因为有很多因素可能影响股票价格。通过改进模糊决策树建立了一个新型金融时间序列数据预测模型。该预测模型融合数据聚类技术,模糊决策树及遗传算法来构建基于历史数据和技术指标的一个决策系统。提出的GAFDT模型在与各种股票的其它方法相比较时有平均预测准确率为0.82的最好绩效。

决策树算法的比较研究

本文分析与比较了两种既能处理离散数据又能处理连续数据的决策树经典算法C4.5与CART。首先论述了两种算法的思想,并通过实例解析了C4.5算法和CART的实现过程,最后基于WEKA平台对它们进行了对比实验,利用实验结果的各项评价指标对这两种算法进行了性能分析与比较。

基于Stacking算法集成学习的页岩油储层总有机碳含量评价方法

总有机碳含量(TOC)是页岩油储层评价的重要参数,而传统总有机碳含量测井评价方法精度较低且普适性较差,机器学习模型在一定程度上提高了总有机碳含量预测精度,但结果存在不稳定性。为了进一步提高页岩油储层总有机碳含量预测精度,基于有机质岩石物理特征和不同总有机碳含量测井响应特征的深入分析,优选出深侧向电阻率、声波时差、补偿中子和密度测井曲线作为总有机碳含量的敏感测井响应,并将其作为输入特征,以岩心分析总有机碳含量作为期望输出值,分别建立了决策树模型、支持向量回归机模型、BP(Back Propagation)神经网络模型,并建立了以决策树模型为基模型、支持向量回归机模型为元模型的Stacking算法集成学习模型。利用B油田A区块的岩心样本数据和实际井数据对不同模型预测总有机碳含量结果进行了验证,结果表明,基于Stacking算法的集成学习模型的总有机碳含量预测精度最高,相较于决策树模型、支持向量回归机模型、BP神经网络模型和改进的ΔlgR法,预测精度有较大提高。因此,基于Stacking算法的集成学习模型为该研究区最有效的总有机碳含量计算方法,这为准确地评估页岩油储层的生烃潜力、确保页岩油储层的高效开采及资源利用奠定了基础。