改进决策树算法在水环境质量评价中的应用思考.docVIP

改进决策树算法在水环境质量评价中的应用思考 　　【摘 要】社会经济发展推动着城镇化进程加快，城市化进程与工业生产规模的扩大现实，对生活与工业生产用水量提出了更高要求。因缺乏有效治理，大量污废水直接排放，导致江河水体受到污染。为研究水环境质量变化与发展规律，提出改进决策树算法并将其应用于水环境评价之中。实践证明，基于改进决策树算法的水环境评价模型，其精度较高，生成规则准确，能够实现对水环境质量的客观评价，具备较好的现实价值。 　　【关键词】改进决策树算法；水环境质量；评价；应用 　　1 引言 　　城市化与工业生产的发展，产生了大量的污水与废水，在没有经过任何处理的条件下进入到江河之中，对大量水体构成严重影响。为加强水体保护，研究区域内水环境质量的变化过程与发展所具备的规律，应用现代信息技术促使，对水体要素进行定量评价，为开展环境污染控制规划提供现实指导意义。然而水环境中其评价因子量较多，且其因子与水质等级之间并非均存在着线性关系，从而为水环境质量评价带来困难。提出改进决策树算法构建分类模型，将采集样本数据输入并寻找出分类规则，发现水环境质量变化过程及影响水质的最大因素，对水体质量发展趋势进行预测，为水环境保护与治理提供现实依据。 　　2 决策树及其工作原理 　　决策树算法属于数据挖掘的重要分类技术，其操作简单，使用范围较广。应用决策树，可以快速发展数据之中隐含的分类规则。具体而言，则是在相关训练数据的基础上，构建分类模型，于未知测试样本数据中，依据根节点经过某路径达到叶子节点，从而对叶子节点作出客观预测。应用决策树算法，能够对水环境污染源、污染发生的过程、污染物分布状况，对水环境质量变化规律进行分析，预测水体质量发展的未来趋势，其在开展水资源保护开发与治理等方面发挥着一定现实价值。 　　决策树简称为DT，属于一种存在反向的无环图，决策树内部其每个树的节点均代表着一个测试属性，树的分支反映着测试结果，树叶子节点表示类别。在决策树算法中，最为根本的算法为贪心算法。一般而言，决策树算法在进行数据分类与预测时，其主要步骤为：学习训练数据，构建决策树，分析已生成决策树，提取分类规则，对具体测试样本测试，明确样本所属类别。 　　3 决策树算法及其改进 　　在学习决策树算法时，最具影响力的算法为ID3算法，该算法由J.R.Quinlan提出，其主张在属性选择时，将信息增益作为标准，让每个非叶节点进行测试时，均可以获知被测试记录的最大类别信息，且ID3算法其方法计算，计算效率高，理论基础清晰，然而在实践应用中发现，ID3算法仍存在着一定不足，主要表现为：其算法在噪声数据处理时较为敏感，在连续型属性处理时，需要先对其进行离散化方可采取ID3算法进行分类；ID3算法在选择新的属性过程中仅仅考虑该属性信息增益问题，缺乏对后续属性信息增益问题的综合考虑；ID3算法偏重于选择取值较大属性。基于ID3算法中存在的问题，决定对该算法进行改进，提出在MID3算法之中引入用户兴趣度α，从而在一定程度上解决决策树算法倾向于多值问题。 　　MID3算法是以ID3算法为依托，实质上属于ID3算法的优化，在面对新属性选择时，MID3算法可以综合考虑属性信息增益与后续属性信息增益问题。且在MID3算法中引入用户兴趣度α因子，α指的是对某一事物所具备的相关知识与经验，如专家评价、相关领域知识等，α值需要在决策树学习训练集时反复测试获得，α取值范围应控制在0-1范围内，决策层需要综合考虑先验知识与相关领域知识，合理判断α取值，基于用户兴趣度α的MID3算法，其计算公式为： 　　其中A代表选择属性，A存在着v个属性装，其相对应概况通过p1、p2…pv，依据最小信息熵原理进行A属性扩展，用B来对其子节点属性表示。 　　4 改进决策树算法在水环境质量评价中的应用 　　在水环境检测系统数据库中存在着大量数据信息，在进行数据挖掘时面对大量数据信息难以发现其隐藏规律，为此在应用中采取随机序列发生器，随机抽取一定数据作为决策树算法研究样本数据。 　　4.1 数据挖掘前的数据预处理 　　在进行数据挖掘操作之前，需要将面对的数据信息进行数据集成、数据交换与数据规约等预处理。数据预处理模块属于数据挖掘系统所必备的模块，数据预处理技术以专业知识为导向，将发现存在价值信息为目标，通过对数据信息的组织处理，将与数据挖掘不存在任何关系的属性删除，从而为数据挖掘算法提供更为精准的数据，提高数据挖掘效率。在水环境评价时，选择《地表水环境质量标准》作为评价标准，按照相关水质评价要求，选择汞、铅、PH、DO、COD、NH3-N、石油类、挥发酚等属性作为水质评价参数，下表为某流域水质状况数据参数： 　　通过上表可以看出，其数据划分精细，难以直接分类处理，为此，采取数据预处理