传统的决策树分类方法(如ID3和C4.5),对于相对小的数据集是很有效的。但是,当这些算法用于入侵检测这样的非常大的、现实世界中的数据时,其有效性就显得不足。采用了一种基于随机模型的决策树算法,在保证
针对决策者在面对几个分类结果时会有选择其中某一个结果的倾向性这一事实,提出了一种基于相关性的类偏好敏感决策树分类算法(CPSDT)。该算法引入了类偏好度、偏好代价矩阵等概念。为弥补在传统决策树构造过程
提出一种基于双层网格索引的移动对象KNN查询算法,解决由移动对象速度变化引起的动态负载问题。算法采用粗细双层网格将不同速度的移动对象分开索引,在粗网格中索引运动速度快的对象,在细网格中索引运动速度慢的
决策树是数据挖掘中的一种高效方法,但是当训练数据的属性很多时,构建的决策树的规模会随属性个数增加而指数级增长,进而会产生海量的规则。针对该问题,提出了一种基于遗传算法的优化方法。首先根据信息增益利用轮
故障树分析法在实施过程中会遇到计算量大的问题,二元决策图是解决这个问题的一种新途径。故障树转化为二元决策图涉及的一个关键问题就是对基本事件的排序,但是基本事件排序是一个NP问题。为了解决这个问题提出了
针对回弹规律比较复杂的冲压件中高精度的要求,提出了一种基于改进傅里叶变换的回弹闭环控制系统模型。首先,从产品模型出发利用有限元分析、成形工艺参数优化等方法进行初始模具设计；然后对模具及冲压产品进行测量
基于决策树的植被分类研究,张文静,王文种,基于IKONOS遥感影像,采用决策树分类算法对南京的植被覆盖进行分类。根据各种植被光谱特征以及IKONOS高分辨率影像具有的纹理特征建立
针对当前决策树算法没考虑规则生成时效的情况,提出了一种从目标函数出发,快速生成规则的逆向决策树算法,以提高决策树算法实时生成规则的能力。该算法采用了一种新的分类性能度量标准,该标准主要考虑不同属性对应
CatBoost一种基于梯度提升决策树的机器学习方法。CatBoostisamachinelearningmethodbasedongradientboostingoverdecisiontrees。
现有的很多约简算法都是由构造决策表的区分矩阵出发,将矩阵中非空元素的合取范式转化为极小析取范式。但是,基于Skowron提出的区分矩阵约简算法对不相容决策表会产生错误的结果。为此,提出一种改进的区分矩
