对区间值属性决策树分类的一种割点快速筛选法

摘要

在众多的决策树归纳学习问题中,属性取值一般被认为有两种.一种称之为"符号"值属性,另一种称之为"连续"值属性.对这两种值属性均有较成熟的处理方法,如基于最小不确定性的Min-A算法、基于最小分割信息熵的处理连续值属性的ID3算法.而区间值或模糊值作为属性值将提供一种特殊的不精确信息,区间值能充分保证模糊数据所包含的信息的完整性,而且这种以区间值表示的数据广泛存在于我们现实的生活中,如病人的创口大小、用药周期等.目前的大多数模糊决策树示例学习都是在假定属性取值及分类值是以隶属度确定的前提下建立的.本文采用区间值为属性来表示、处理这种不确定性,并通过备选割点优化选取,以增进这种学习方法在以区间值表示的不确定性信息处理方面的优势,特别是提高分类决策的效率,降低计算复杂度.本文使用基于类的信息熵极小来选择区间值扩展属性,通过覆盖频繁点和非频繁点分析改进了算法的效率.