基于可疑实例影响度分析改进的C4．5 rules算法

摘　　要:

决策树学习算法是数据挖掘中一类经典的分类算法。传统的决策树学习算法把数据集合中的实例同等对待，而忽略了实例之间存在的可疑性和影响度差异，导致错误实例扭曲了学习结果，严重影响学习质量。在此提出基于可疑实例影响度分析改进的C4．5rules算法，在给定一个噪音集合后，首先把可疑实例与原集合划分开，并对可疑实例的影响度进行分析和度量，然后依据分类规则对可疑实例的覆盖情况进行重新排序和分类预测。算法在对分类规则重排序后将错误实例对学习结果的影响最小化，得出尽可能接近正确数据的学习结果。将此算法与经典的C4．5 rules算法进行实验比较，结果表明该算法有着良好的性能。 (共4页)