论文部分内容阅读
自动取款机等自助设备在金融行业运用多年,为金融机构拓展服务时间和服务地域,提高工作效率,降低运营成本做出了巨大贡献。随着金融机构对自助设备依赖程度的不断提高,对自助设备运行维护的要求也在不断提升。因此,高效可靠的自助设备监控系统就成为金融机构必不可少的软件系统之一。决策树学习是机器学习中较常用的一种方法。它能够直接体现数据的特点,便于理解,具有较好的分类预测能力,并能方便地提取决策规则。将决策树学习方法引入金融自助设备监控系统后,可由系统对自助设备主要模块的运行数据进行分析处理,及时预测和发现故障,从而减少自助设备停机时间,提高自助设备开机率。本文首先研究了决策树学习方法的基本原理、工作过程、评价指标和适用问题,简要介绍了经典的ID3算法以及由ID3算法演变和改进而来的C4.5、CART、SLIQ、SPRINT和PUBLIC算法,并对它们进行了对比分析。然后针对自助设备运行数据的特点引入先验知识优化参数,提出改进算法—先验知识优化(Priori-Knowledge Optimized)的ID3算法,简称PKO-ID3算法。PKO-ID3算法对ID3算法中的属性选择标准进行了改进,加强了重要属性权重,降低了非重要属性的权重,把加权和转换为加权和加先验知识优化,使生成决策树时数据量少但较为重要的数据元组不会被淹没,降低了属性值较多但并不重要的属性对决策树生成的影响,最终使决策树减少了对取值较多的属性的依赖性。最后,在交通银行郑州分行自助设备监控系统中对PKO-ID3算法进行实际应用。理论分析和实际应用结果表明,本文提出的改进算法改善了经典的ID3算法的性能,表现出了良好的分类效果。