一种决策风险代价与属性偏好融合的适应性决策树算法

摘要

针对现有决策树模型在分类过程中不能充分考虑决策精度、决策者的属性偏好以及决策风险因素的影响问题,提出一种决策风险代价与属性偏好融合的适应性决策树算法.算法结合决策粗糙集和代价敏感学习问题,引入用户偏好程度和决策风险损失函数的概念,根据贝叶斯最小风险决策原则,计算决策风险代价,通过构建适应度函数作为启发式函数选择划分属性,从而建立决策树模型.在决策树构建过程中,使用置信因子概念对决策树进行剪枝,以防生成的决策树过于庞大.实验结果表明该决策树算法是有效的,能充分考虑决策者的属性偏好和因决策的不确定性产生的误分代价,实验参数的设置可以增强算法的适应性,满足不同应用领域的需求.