我们现在生活在一个网络化的新时代,通信、计算机和网络技术正改变着整个人类和社会。目前大多数分类算法适用于集中式环境,当伴随着大量的数据集、用户和系统上的地理分布时,把地理上分布的数据集集中到集中式的站点上会引起巨大的网络传输代价。因此,如何充分利用地理上分布的数据资源,结合各种不同的分类技术来完成高性能的分布式分类任务,就成为必然的事情。 虽然分布式分类算法是近几年才提出的新的研究领域,但由于其诱人的应用前景,目前已有相当数量的研究人员投入到对该领域的研究当中,并取得了一定的成果。Jerzy等人提出了知识发现中分布式挖掘技术方面的研究,提出了他们对基于决策树的分布式分类算法的研究成果。利用Agents和Mediator之间的同步协作机制来完成,Mediator负责各个Agent之间的通信。各个agent通过Mediator进行协商、合作和行为规范,来完成基于分布式条件下的分类任务。 对决策树算法的评价有两个标准:第一,生成的决策树是否比较简化;第二,分类的精度是否达到一定标准。在基于决策树的分布式分类算法中,关键的问题就是对决策树的局部结果集成的方法。其目的是在确保精确度的同时,提高可理解性。我们研究发现对决策树的局部结果集成的方法大致有两种:一种是在产生局部决策树后,先得到局部规则,然后进行局部规则结果的修剪措施,得到全局结果。另一种就是产生局部决策树后,先进行局部决策树的集成,然后进行剪枝措施,得到全局决策树,从而得到全局结果。 实验证明,基于决策树的分布式分类算法是有效的,一定程度上解决了对决策树局部结果的集成这个问题。