基于粗糙集理论的决策树预修剪学习算法研究

摘要

虽然，目前我们还不知道怎样使计算机和人一样具备强大的学习能力，然而近年来机器学习无论在应用、算法、理论，还是生物系统的研究中都已经取得了令人瞩目的进步。在这些进步中智能知识获取的研究起到了重要的作用。
　　 决策树学习是应用最广泛的归纳推理算法之一。决策树通过一个简洁的树型结构代表了原始数据的信息。它潜在的预测能力以及它的可理解性的大小，很大程度上取决于学习算法是否能够简洁地概括了这个结构。一棵决策树中不具有预测能力的部分应该终止它的生长或者对其进行修剪，修剪策略需要一种工具来衡量决策树与训练数据的关系，信息系统(决策表)的不确定性度量方法就是一种理想的工具。
　　 决策树修剪主要有预修剪和后修剪两种方法。预修剪方法比较简单直接，但精确地估计何时停止决策树的增长很困难，往往需要人为控制，或者需要专家领域知识、先验知识的控制，这大大降低了该方法的智能性，也限制了其应用的推广。文章通过分析决策表的不确定性度量，用条件属性对决策表的整体确定性来控制决策树的预修剪过程，实现了一种数据驱动下的自主式知识获取算法a并通过实验验证了算法的可行性和有效性。