利用差别矩阵构造决策树

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (33): 18-21.

利用差别矩阵构造决策树

高静1，韩智东2

1.首都经济贸易大学信息学院，北京 100070
2.中国银联北京信息中心，北京 100193

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-11-21 发布日期:2011-11-21

Construction of decision tree with discernibility matrix

GAO Jing1，HAN Zhidong2

1.School of Information，Capital University of Economics and Business，Beijing 100070，China
2.Information Center of Beijing，China UnionPay Co.，Ltd，Beijing 100193，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-11-21 Published:2011-11-21

摘要/Abstract

摘要： 分析了基于正区域、基于粗糙边界和基于依赖度的属性选择标准的关系，证明了这三种属性选择标准彼此等价。以正区域的属性选择标准为代表，分析了基于正区域的决策树生成算法的优点和不足。针对这些不足，提出基于差别元素的大小为新的属性选择标准。用新的属性选择标准生成的决策树一般具有叶子数目较少，叶子的平均深度也较小，且叶子具有较强的泛化能力。用一实例说明了新的属性选择标准的优越性。

关键词: 决策树, 粗糙集, 正区域, 粗糙边界, 依赖度, 差别矩阵

Abstract: The relationship between selected attribute standards based on positive region，based on rough bound and based on attribute dependency is analyzed.It is proved that the three kinds of selected attribute standards are equivalent to each other.Advantages and disadvantages of algorithm for constructing decision tree based on positive region are analyzed.Aiming at these disadvantages，a new selected attribute standard based on magnitude of the discernibility element is proposed.The decision tree constructed with the new standard of attribute selection has the following characteristics：fewer leaf nodes，fewer levels of average depth，better generalization of leaf nodes.An example is used to illustrate the advantages of this new selected attribute standard.

Key words: decision tree, rough set, positive region, rough bound, attribute dependency, discernibility matrix

高静1，韩智东2. 利用差别矩阵构造决策树[J]. 计算机工程与应用, 2011, 47(33): 18-21.

GAO Jing1，HAN Zhidong2. Construction of decision tree with discernibility matrix[J]. Computer Engineering and Applications, 2011, 47(33): 18-21.

[1]	高天宇，王庆荣，杨磊. 粗糙集属性依赖度强化的应急数据挖掘模型[J]. 计算机工程与应用, 2021, 57(3): 87-93.
[2]	王庆荣，马辰坤. 面向案例消耗推理的应急物资预测[J]. 计算机工程与应用, 2021, 57(22): 281-287.
[3]	张敏，彭红伟，颜晓玲. 基于神经网络的模糊决策树改进算法[J]. 计算机工程与应用, 2021, 57(21): 174-179.
[4]	刘玉锋，孙文鑫. 一般多粒度量化软粗糙集模型[J]. 计算机工程与应用, 2021, 57(12): 137-143.
[5]	刘桂枝. 维度变化的不完备混合型数据增量式属性约简[J]. 计算机工程与应用, 2021, 57(12): 161-169.
[6]	张博，贾华宇，马珺. RS-GA神经网络无人机受风情况估计[J]. 计算机工程与应用, 2020, 56(4): 209-213.
[7]	牟恩，张贤勇，姚岳松，邓切. 邻域近似条件熵的特定类属性约简及启发算法[J]. 计算机工程与应用, 2020, 56(24): 175-180.
[8]	张建华，李方方，杨岚. 融合PFS与RS的案例知识供需匹配研究[J]. 计算机工程与应用, 2020, 56(23): 139-145.
[9]	谭正华，戴立平，文阳，李国泰. 基于约简属性和阈值分割的决策树构建方法[J]. 计算机工程与应用, 2020, 56(22): 160-165.
[10]	骆公志，梅焘. 监督机制多粒度决策粗糙集模型及应用[J]. 计算机工程与应用, 2020, 56(18): 214-220.
[11]	陈景霞，郝为，张鹏伟，谢佳. RSVP与SSVEP混合脑电信号刺激与多类事件检测[J]. 计算机工程与应用, 2020, 56(15): 132-139.
[12]	谢旭明，段隆振，邱桃荣，杨幼凤. 改进量子搜索算法及其在核属性求解上的应用[J]. 计算机工程与应用, 2020, 56(14): 57-61.
[13]	王丽苗，许青林，姜文超，符基高. 集成FM的短视频喜好率预测模型[J]. 计算机工程与应用, 2020, 56(14): 118-122.
[14]	李旭，荣梓景，任艳. 带权决策表的属性约简[J]. 计算机工程与应用, 2020, 56(12): 54-59.
[15]	陈盼盼，林梦雷. 基于包含度的单值中智决策信息系统属性约简[J]. 计算机工程与应用, 2020, 56(12): 175-181.