决策树算法中模糊语义的研究

摘要

语义决策树算法虽然可以进行语义方面更加精确的匹配,但存在硬性划分的缺陷。在连续属性语义化的过程中,将训练集中的数据映射为语义概念类中的某个概念时,它把数据严格地划分到语义概念类中的某个概念,没有考虑它们对某个概念的隶属度。然而,一个数据是否属于某个概念具有一定的不确定性或者说模糊性,即存在语义的模糊性问题。模糊逻辑虽然在一定程度上解决了不确定性问题,但其本质仍是用确定的隶属度来表示不确定的模糊性,即存在模糊的不彻底性。
　　 本文针对语义决策树算法中存在的问题,对决策树算法中的模糊语义进行研究,提出了一种连续属性随机模糊语义化方法CARFS。通过利用语义概念树和FCM算法求得隶属度,同时利用云模型求得隶属度的准确度,即随机性,解决了语义决策树挖掘中没有考虑到模糊性的问题,同时解决了模糊的不彻底性问题。在生成语义概念树时,本文提出了一种语义概念树自动生成方法。通过对基于遗传算法的连续属性离散化算法进行改进,形成语义概念树的叶子结点,进而采用类平均法进行概念层次的提升,充分利用了连续属性每个值的信息,使得到的概念层次更加合理。之后,将CARFS方法引入到Fuzzy ID3算法中,提出了基于模糊语义的决策树挖掘算法SFID3,并指出了寻找最优决策树的方法。
　　 通过数据集Iris、Adult和Wine对SFID3算法进行验证,实验结果表明了该算法的可行性和有效性,与语义决策树算法相比,利用该算法生成的决策树具有较高的分类准确率。

目录

文摘

英文文摘

第一章 前言

1.1 课题的研究意义

1.2 课题的研究现状

1.2.1 决策树算法的研究现状

1.2.2 模糊理论的研究现状

1.2.3 模糊决策树算法的研究现状

1.3 课题的研究内容

1.4 论文的组织结构

第二章 决策树与模糊理论相关知识

2.1 决策树相关知识

2.1.1 ID3算法

2.1.2 Fuzzy ID3算法

2.1.3 语义决策树算法

2.2 模糊理论介绍

2.2.1 F集基本概念

2.2.2 F集与传统集合的比较

2.2.3 隶属函数

2.3 云模型

2.3.1 隶属云

2.3.2 云的基本概念

2.3.3 云的分类

2.3.4 云的数字特征

2.3.5 云发生器

2.4 本章小结

第三章 语义概念树生成方法的改进

3.1 叶子结点的形成

3.1.1 连续属性离散化

3.1.2 基于遗传算法的连续属性离散化方法的改进

3.2 概念层次的提升

3.3 语义概念树的生成

3.4 本章小结

第四章 连续属性随机模糊语义化

4.1 连续属性随机模糊语义化方法CARFS

4.1.1 模糊化

4.1.2 随机化

4.2 示例验证

4.2.1 语义概念树的自动生成

4.2.2 连续属性模糊随机化

4.3 本章小结

第五章 基于模糊语义的决策树挖掘算法

5.1 SFID3算法

5.2 最优决策树

5.3 算法比较

5.3.1 实验环境与数据集

5.3.2 实验结果与分析

5.4 本章小结

结论和展望

工作总结

主要创新

进一步研究方向

参考文献

攻读硕士学位期间取得的学术成果

致谢