论文部分内容阅读
随着计算机在众多领域的应用和发展,用户在使用和数据采集过程中所产生的数据规模出现指数型的增长,数据挖掘技术应用而生。数据挖掘最经典的十大算法之一就是代价敏感学习技术,代价敏感决策树算法的研究目的是通过决策树分裂属性,用户能够快速的做出样本的决策。比如医院根据病情库来诊断病人的得病概率时,加入了时间代价,如果诊断病情的时间越久会对病人产生不好的影响,那么就对诊断附加一个大的代价惩罚。代价敏感学习的本质是在保持决策系统分类能力不变的前提下,增加代价指标,最大的减少分类总代价,帮助人们高效地做出决策。针对代价敏感决策树问题,很多决策树算法已被提出。最常见的C4.5算法的原理易于理解,分类的准确率较高,但其在构造决策树的过程中需要对整个数据集进行多次扫描和重复排序,导致该算法的效率明显降低。CART树算法灵活,允许有部分错分成分,面对存在缺失值、变量数多等构建问题时显得非常稳健,但生成的决策树分支大,规模较大。先前的决策树分类研究是引入单个代价指标,或者分类过程以信息熵为依据,而且得到的结果经常出现过度拟合。或者在针对不平衡数据集构建过程中,代价敏感决策树仅仅考虑总分类代价,没有考虑到同一节点不同样本的差异性。当用户针对不纯度度量使用的计算方法不同时,得到的实验结果也相差较大。基于此,本文提出了一种结合测试代价和信息增益的多目标代价敏感决策树,并针对数据不平衡问题提出了一种新型的不纯度度量指标。一方面有效地降低了分类总代价,提高算法分类性能,另一方面提出一种新型的不纯度度量,解决了不同节点之间的代价差异问题,能够解决不平衡数据的有效分类。本文算法研究方法分为以下两个部分:1.传统的代价敏感决策树算法往往只考虑到误分类代价,这对于含有测试代价的决策系统来说,并不适用。因此,本文算法开始部分先考虑测试代价和误分类代价两种,提出了基于两种新型代价的代价敏感ID3算法。两者的主要思想在于:使用本文提出的新型属性分裂标准来代替传统的、单一的以信息增益分裂属性为标准的分类算法。将提出的基于完全测试代价属性分裂标准的代价敏感决策树算法(CT-ID3)和基于测试代价-信息增益属性分裂为标准的代价敏感决策树算法(TIG-ID3)两种分别与传统ID3算法进行比较试验;2.将上述实验提出的基于测试代价和信息增益结合的多目标代价敏感决策树构建随机森林,并在构建过程中提出了一种新型的不纯度度量。建树过程中不仅考虑了决策树的总代价,同时还考虑了同一节点处对于不同样本的代价差异性。然后,执行随机森林算法,对多个数据集进行K次抽样,先构建K个基础分类器。接着,基于本文提出的不纯度度量方法,通过分类回归树(CART)算法来构建决策分类树,从而形成决策树森林。最后,将形成的随机森林通过投票的机制做出最后的数据分类决策。本文实验采用了开源WEKA平台下的UCI的数据集,在每个数据集上针对不同的分类指标度量来验证测试代价和信息增益两个指标的性能,然后将决策树扩大到随机森林,提出一种基于新型不纯度度量的代价敏感决策森林算法。通过大量的与已有算法的对比,结果表明:1)本文提出的基于测试代价和信息增益算法比依据单一测试代价指标分类的算法效率明显高;2)本文提出的新型不纯度度量在随机森林构建过程中优势明显;3)本算法能有效解决不平衡数据问题,能够解决同一节点对不同样本的差异性问题。