【摘要】 本发明涉及一种小样本决策树分类器构造中的连续属性分割方法，包括连续属性分割点数确定和分割位置优化两部分；首先由训练样本集，构造SVM分类面模型，确定其边界点，选择合理异类边界点对，并计算各合理异类边界点对连线上的分类面点；对于连续属性，根据所有分类面点的分类间隔分布确定连续分割点数和初始分割位置；根据所有分类面模型的分类面点，对于每个SVM分类面模型，计算属性分割面与该SVM分类面的逼近误差，并对所有SVM分类面的逼近误差进行融合，进而以逼近误差为目标优化连续属性分割位置；本发明的方法具有属性分割点数与位置选择快速准确等特点，可显著减少所构造决策树的大小，提高决策树的预测精度。 ： 【专利类型】发明授权 【申请人】河南工业大学 【申请人类型】学校 【申请人地址】450001 河南省郑州市高新技术产业开发区莲花街河南工业大学信息科学与工程学院 【申请人地区】中国 【申请人城市】郑州市 【申请人区县】中原区 【申请号】CN201210073278.2 【申请日】2012-03-19 【申请年份】2012 【公开公告号】CN102622612B 【公开公告日】2014-04-09 【公开公告年份】2014 【授权公告号】CN102622612B 【授权公告日】2014-04-09 【授权公告年份】2014.0 【IPC分类号】G06K9/62 【发明人】张德贤; 许伟涛; 于俊伟; 刘灿; 王洪群; 杨卫东; 李保利; 张苗; 梁义涛; 靳小波 【主权项内容】一种小样本决策树分类器构造中的连续属性分割方法，其特征在于，该方法的步骤如下：(1)根据训练样本集，构造SVM分类面模型；(2)确定SVM分类面的边界点，根据决策面点沿SVM分类面均匀分布的原则，选择合理异类边界点对，并计算各合理异类边界点对连线上的决策面点；(3)采用现有的属性选择方法选择优先扩展属性，若无扩展属性则结束，否则转步骤(4)；(4)根据所有分类面模型的决策面点，对于离散属性，其取值点即为分割点，转步骤(3)；对于连续属性，根据所有决策面点的分类间隔分布确定连续分割点数和初始分割位置；(5)根据所有分类面模型的决策面点，对于每个SVM分类面模型，依该模型的决策面点和决策面与分割面的逼近误差，计算属性分割面与该SVM分类面的逼近误差E(Modeli)，并依或进行逼近误差E(Modeli)融合；(6)采用带约束复合型优化方法进行连续属性分割位置优化，转步骤(3)。FDA0000401576240000011.jpg, FDA0000401576240000012.jpg 【当前权利人】河南工业大学 【当前专利权人地址】河南省郑州市高新技术产业开发区莲花街河南工业大学信息科学与工程学院 【专利权人类型】公立 【统一社会信用代码】12410000415806196P 【家族被引证次数】4

未经允许不得转载：http://www.zhongzhencnc.com/1791191861.html