决策树分类算法在地税征管系统中的研究.pdfVIP

兰 ： ChinaNewTechnologiesandProducts 信 息 技 术 决策树分类算法在地税征管系统中的研究 任 鹤 周连酷 (1、长春工业大学研究生学院 计算机0307班软件理论专业，吉林 长春 130012 2、长春工业大学，吉林 长春 130012) 摘 要：本文将适应于大规模数据的决策树算法SLIQ，SPRINT，RainForest等算法用于地税征管系统的海量税务数据分析，并对各个算法在 可伸缩性 以及并行性等方面进行深入的研究．． 关键词：SIIQ；SPRINT；可伸缩性；并行性；地税征管 1引言 对于数值属性和离散属性，SLIQ采用的分类 执行A上的所有可能划分，找 最佳划分将T 在我国税务管理部门计算机技术应用普及的 方案是不同的，具体区别如下： 分为T。和r2； 二t余年中，积累了大量的税务数据。如何揭示这 离 字段，可能的分割是属性值的所有子集， 2．2．4调用spriafformtree(F~)； 些业务数据背后隐藏的信息和规律，为税务管理的 即设 s(A)为A的所有可能的值，分裂测试将要取 2．25调用sprintformtreeT(~)； 决策支持服务，已经成为税务征管部门的当务之 遍s的所有子集Sl。寻找当分裂成sl和s_S1两 SPRINT算法使用了与SLIQ不同的数据结 急。众所周知，处理大量混乱而又复杂的经验数据 块时的Gini指标，取到Gini最小的时候，就是最佳 构。不使用独立的类表，而是为每个属性建立一个 一 个很好的方法就是分类。与流行的贝叶斯分类、 分裂方法 。 属性表．表项形如属性值，类别，样本序号。连续 神经网络、遗传算法、粗糙集模型等算法相比，决策 数值字段，可能的分裂点是每两个值的中点， 属性的属性表要按属性值预排序；离散属性表则没 树表现出更容易被人理解以及具有很好的分类精 即可以先对数值型字段排序；假设排序后的结果为 有预排序过程。属性表不须常驻内存。在建树过程 确度等特点。因此，我们就利用知识发现中的决策 31个值，因为分裂只会发生在两个节点之间，所以有 中，SPRINT为每个待分裂节点设立—个类直方图。 树方法来对税务数据进行分析，试图为税务人员提 n—1种可能性。通常取中点作为分裂点。从小到大依 连续属性的直方图结构同SLIQ，离散属性的直方 供极具价值的知识。 次取不同的分裂点，取Gini最小的一个就是分裂 图，也称计数矩阵(countmatrix)j,~录了每个不同取 传统决策树的CLS、ID3、C45、CART等算法以 点。 值的样本在各个类别中的个数。当测试条件形成， 及它们的改进算法 主要是针x4d,数据集的，而且 SLIQ包括两种数据结构，即属性表和类表。 节点分裂时，属件表也分裂到新的叶节点中。每个 大都要求 练集常驻内存 (姆I133和C45等)，这 suq在初始状态下所有的样本都属于根结点，扫 待分裂的叶节点对应一张属性表 ，SPRINT扫描属 使得传统决策树算法在可伸缩性、精度和效率方面 描训练集为每个属性建立独立的列表，称为属性表 性表寻找最佳分割，计算最佳分割的信息可从相应 受到了很火的限制。而当前用于海量数据挖掘的决 (attributelist)，同时建立一个类表(classlist)。属性 的直方图获得，因此计算每次分割至多只需要一张 策树分类算法不仅需要训练数据完全驻留内存并 表的每条记录对应一个训练样本，用于存储样本属 属性表的直方图常驻内存。由于直方图的大小不会 且需要对训练数据集及它的子集进行多次排序，这 性值及在类表中的索引，连续型属性的属性表按照 随属性表的增大而增大，SPRINT算法完全摆脱了 就使得训练数据的规模受