一种懒惰式决策树和普通决策树结合的分类模型——半懒惰式决策树

摘要

懒惰式决策树分类是一种非常有效的分类方法.它从概念上为每一个测试实例建立一棵"最优"的决策树.但是,大多数的研究是基于小的数据集合之上.在大的数据集合上,它的分类速度慢、内存消耗大、易被噪声误导等缺点,影响了其分类性能.通过分析懒惰式决策树和普通决策树的分类原则,提出了一种新的决策树分类模型,Semi-LDtree.它生成的决策树的节点,如普通决策树一样,包含单变量分裂,但是叶子节点相当于一个懒惰式决策树分类器.这种分类模型保留了普通决策树良好的可解释性,实验结果表明它提高了分类速度和分类精确度,在某些分类任务上它的分类性能经常性地胜过两者,特别是在大的数据集合上.