论文中分析比较了数据挖掘的分类和预测算法,重点研究了数据挖掘决策树分类算法,并在此基础上对决策树的稳定性和效率进行了分析。针对传统ID3算法存在的属性取值偏向问题提出了一种新的优化算法Q-ID3算法。 论文中利用信息熵、条件熵公式推导出先验知识度划分标准公式,该公式把信息熵公式中加权和转换为加权和加先验知识度参数。参数Q值域为[0,1],其大小由决策者根据先验知识或领域知识来确定,通过引入该参数加强了重要属性的标注,降低非重要属性的标注。对于空间过大的实例集,利用先验知识度参数可以减小搜索空间提高学习效率,建立结构简单的决策树,与实际情况更为相符。Q-ID3算法保留了传统ID3算法的分类简单、规则易理解的优点,又避免了偏向于取值较多但实际中却并不总是最优的属性作为测试属性的缺点。 通过随机生成不同规模数据集,利用Q—ID3算法构造决策树,从生成决策树的形态和生成决策树的时间两个方面与传统ID3算法进行比较,在不同规模的数据集中,Q—ID3算法构造决策树虽然计算先验知识度参数需要一定的时间开销,但随着记录数据的增大,所花费的时间开销会随着决策树的快速生长而减少,得到结构更简洁,效率更高的决策树,在效率和准确度上比传统ID3算法有较大的提高。 使用Q-ID3算法对移动公司客户数据进行数据挖掘,结合通信市场得到的先验知识构造决策树分析客户流失相关因素,为CRM的客户保留和预防客户流失提供了决策依据。